May, 2024

无人机协同框架：多无人机物体轨迹预测与更多应用

PDF
TL;DR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。
collaborative trajectory predictionmulti-drone collaborationbird's eye view (bev)drones help drones (dhd)multi-drone collaborative prediction
发现论文，激发创造
  • 无需高清地图：直接从无人机图像预测驾驶行为

    利用无人机鸟瞰图像构建的地图表示法可以有效地提供路况信息，实现了在多智能体轨迹预测中获得与高清地图相当的性能。

    May, 2023

  • UVCPNet: 无人机 - 车辆协作感知网络用于 3D 目标检测

    通过开发虚拟数据集 V2U-COO，设计跨领域自适应模块 CDCA 以及协同深度优化模块 CDO，本文提出了一种专门用于空中 - 地面协同感知的框架，并在虚拟数据集和公共数据集上进行了广泛实验证明了其有效性，使检测准确率分别提高了 6.1% 和 2.7%。

    Jun, 2024

  • UCDNet: 基于可靠特征映射的多无人机协同三维物体检测网络

    提出了一种无与伦比的基于相机的多 UAV 协同三维物体检测范式 UCDNet，通过显式利用 UAV 到地面的深度信息作为强先验，为更准确和可推广的特征映射提供参考。此外，设计了一种同质点几何一致性损失作为辅助自监督方法，直接影响特征映射模块，从而增强多视角感知的全局一致性。在 AeroCollab3D 和 CoPerception-UAVs 数据集上的实验结果表明，与基准方法相比，我们的方法分别提高了 4.7％和 10％的 mAP，证明了 UCDNet 的优越性。

    Jun, 2024

  • 无人机编队协同学习

    该研究论文提出了一种基于无人机的合作学习系统，用于训练具有数据异质性的神经网络模型，通过优化无人机的轨迹，考虑了设备数据特征和无线信道条件，显著提高了收敛速度和最终准确性，并在图像识别和语义分割任务中取得了令人满意的结果。

    Mar, 2023

  • 毫米波相机无人机：计算机视觉辅助的无线波束预测

    该论文提出了一种基于视觉数据的机器学习方法来帮助无线电通信的快速和准确的波束预测，并证明了该方法可以提高高移动 mmWave / THz 无人机的通信效率。

    Nov, 2022

  • 天空中的眼睛：基于无人机的物体跟踪和三维定位

    本文提出了一种基于深度学习目标检测的无人机多目标跟踪和三维定位方案，将 TrackletNet Tracker（TNT）和多视图立体技术相结合，能够对设备拍摄的对象进行检测、跟踪并测定其三维坐标。

    Oct, 2019

  • 通过调整领域地图以适应深度预测不准确性，实现无人机鲁棒单目定位

    提出了一种新颖的单目定位框架，通过联合训练基于深度预测的深度学习和基于贝叶斯滤波的姿态推理，能够显著改进模型可伸缩性和环境变化的容忍度，即使深度预测非常差，也能保持高精度的姿态准确性，并且相对于标准的深度学习具有更高的光照变化下的姿态准确性。

    Oct, 2022

  • 基于混合二维语义场景生成的 LiDAR 三维物体检测

    本研究提出了一种将三维环境的语义和几何以二维形式编码的场景表示法，并使用辅助网络预测显式和隐式语义概率的组合作为更好的 BEV 特征学习的密集监督信号，实验证明该设计可以轻松集成到大多数先进的三维物体检测器中，并始终改善基线模型。

    Apr, 2023

  • 确保无人机安全：基于视觉信息的实时碰撞避免框架，通过目标检测、跟踪和距离估计

    使用光学传感器进行无人机的检测、跟踪和距离估计，通过深度学习框架、目标检测模块、跟踪模块和深度估计模块实现全自主飞行和高级空中流动的无人机。

    May, 2024

  • 空中单目三维物体检测

    通过双视图检测系统 DVDET，提出了一种基于地理变形的训练模块，实现了 2D 图像空间和 3D 物理空间的空中单目物体检测，并利用新的数据集 AM3D，证明了模型的可行性及性能。

    Aug, 2022