使用空中视觉获取模型估计“看与被看”表现
本文提出了一种基于风险分析的方法来设计自主系统感知模块,从而最小化感知误差对系统安全性的影响,并在真实的基于视觉的飞机避碰应用中证明,此方法可以将风险降低37%以上。
May, 2022
提出了一种基于注意力特征的空气监护系统,并通过强化学习在固定翼飞机模拟环境中对其进行训练,实现了飞行中人工驾驶员和自主机器人的并行自治,最终在固定翼飞机和真实无人机平台上的模拟飞行试验中证明了该方法的有效性。
Dec, 2022
本文介绍了AVOIDDS,这是一个逼真的目标检测基准测试,包含了72000个逼真的图片数据集,以及相应的模型评估接口和整个仿真问题的解决方案,在安全关键应用中,这样的基准测试将有助于设计稳健的机器学习系统。
Jun, 2023
本文提出一个新的反无人机问题,即在没有无人机先前信息的复杂环境中感知无人机,为此我们提出了最大的无人机数据集AntiUAV600和新的评估指标,并开发了一种新颖的反无人机方法来解决该问题。
Jun, 2023
本文提出了一种名为“平滑强盗”的新方法,利用黑盒模拟器的优势,有效确定满足安全要求的感知系统的性能特征,以视觉为基础的飞机避撞问题的实验证明了该方法的精确性和效率优于高斯过程和阈值强盗基线。
Jul, 2023
通过使用电子识别信息,本研究开发了一种先进的碰撞管理方法,名为Drone Aware Collision Management (DACM),通过反应式几何冲突检测和解决技术,能够确定和执行各种时间最优的回避碰撞策略,通过广泛的模拟和实地测试证明了该方法的优点,并成功地避免了无人机和有人飞机之间的空中碰撞。结果表明,该方法可以在高动态航空空间中成功避免碰撞,同时限制与原轨迹的偏离,而无需复杂的传感器和先前训练。
Sep, 2023
通过开发具有遮挡感知目标的多机器人多演员视角规划器与贪婪形成规划器比较,我们评估了拍摄人群中碰撞和遮挡对性能的影响,并计划在五个具有复杂多演员行为的测试环境中。与形成规划器相比,我们的顺序规划器在三个场景中为演员生成了14%更多的视角奖励,并且在其他两个场景上的性能与形成规划相当。总体而言,我们展示了对人群进行拍摄的空中机器人团队的有效协调,这些人群可能分裂、合并或散开,并且在可能引起碰撞或遮挡的障碍物所充斥的环境中。
Oct, 2023
通过引入一种建立数据和需求导向的感知合同精化算法 (DaRePC),本文分析了两个使用多阶段异构的机器学习增强感知的 6 维和 12 维飞行控制系统,提供了可测试的合同以确定飞机是否可以安全降落在跑道上以及无人机是否能够安全通过一系列的门,同时也可以发现可能违反基于视觉的控制系统安全性的条件(例如,低地平线的太阳)。
Nov, 2023
我们提出了一种名为“无人机互助”的新框架,用于解决无人机协同预测中的两个主要挑战,通过地面先验和基于局部特征差异的选择机制来实现更准确的BEV生成和满足实时预测需求,相比现有方法,DHD在BEV表示中减少位置偏差超过20%,仅需要四分之一的传输比率来实现可比较的预测性能,同时还显示出在协同感知-UAVs中的协同三维物体检测上有很好的推广能力。
May, 2024