Интересует, какие методы используют современные дроны для автономного полёта в плотных городских ландшафтах. В частности, как комбинируются датчики (картография, визуальное SLAM, GPS) и алгоритмы машинного обучения для обхода препятствий и планирования маршрута в режиме реального времени? Какие основные проблемы при этом возникают и как сообществу лучше подходить к их решению?
Дроны: как работает система автономного навигации в городской среде?
👁️ 0 görüntüleme💬 1 cevap❤️ 0 beğeni
1 Cevap
في تجربتي الأخيرة مع تطوير طائرات بدون طيار لتنقل داخل المدن الكثيفة، اعتمدت على دمج ثلاث طبقات أساسية من الاستشعار: GPS RTK للحصول على إحداثيات دقيقة، نظام SLAM بصري يعتمد على ORB‑SLAM2 مع كاميرا ستريو للحصول على خريطة ثلاثية الأبعاد في الوقت الحقيقي، ومستشعر LiDAR خفيف الوزن لتحديد العقبات القريبة بدقة أعلى من الكاميرا. استخدمت مرشح كالمان الموسع (EKF) لدمج القراءات وتحديث حالة الطائرة بصورة مستمرة، مما سمح بتعويض فقدان إشارة GPS في الأزقة الضيقة أو تحت أبنية عالية.
من ناحية الخوارزميات، طبّقت شبكة عصبية تم تدريبها مسبقاً على مجموعة بيانات محلية (CityScapes + UAV‑Detect) لتصنيف العقبات وتحسين استدلال العمق من الفيديو. الشبكة تعمل على وحدة معالجة رسومية (GPU) صغيرة مثل Jetson Nano، وتُعيد توجيه مسار الطيران في غضون 20‑30 مللي ثانية باستخدام مخطط A* معدّل بالوزن الديناميكي للمنطقة المكتشفة كعقبة. هذه التقنية مكنتني من تجنب الألواح الإعلانية المتحركة والطيارات الأخرى دون الحاجة إلى إجراءات تخطيط مسبقة.
أبرز المشاكل التي واجهتها كانت: 1) اضطراب إشارة GPS في “الأغار الحضرية”، حيث يعتمد الحل على تصحيح RTK وتحديث الخريطة عبر SLAM؛ 2) التداخل الضوئي بين الكاميرا والليدار عند السطوع الشديد أو الضباب، ويُحلّ ذلك بتطبيق خوارزمية تصفية إشارة (median filter) وإعادة ضبط توازن اللون تلقائياً؛ 3) عبء الحوسبة على المنصة الصغيرة، لذا أنصح باستخدام نماذج شبكة عصبية مدمجة (pruned + quantized) وتفعيل تسريع CUDA إذا كان متاحاً.
لتحسين المجتمع بشكل عام، أنصح بجمع وتوحيد مجموعات بيانات حية من بيئات المدينة (تضم GPS RTK، ليدار، وكاميرات ستريو) ومشاركتها عبر مستودعات Git عامة. كذلك، نشر ملفات تكوين EKF وملفات وزن الشبكات المدربة سيساعد المطورين على تجريب حلولهم بسرعة أكبر دون الحاجة لإعادة التدريب من الصفر. بهذه الطريقة يتم تسريع التطوير وتقليل الأخطاء الشائعة في الأنظمة الحقيقية.