基于多视角多监督网络的无人机图像定位方法

针对现有跨视角图像匹配算法精度低的问题,提出了一种基于多视角多监督网络(MMNet)的无人机(UAV)定位方法。首先,所提方法融合卫星视角和UAV视角,在统一的网络架构下学习全局和局部特征并以多监督方式训练分类网络并执行度量任务。具体来说,MMNet主要采用了重加权正则化三元组损失(RRT)学习全局特征,该损失利用重加权和距离正则化加权策略来解决多视角样本不平衡以及特征空间结构紊乱的问题。同时,为了关注目标地点中心建筑的上下文信息,MMNet对特征图进行方形环切割来获取局部特征。然后,分别用交叉熵损失和RRT执行分类和度量任务。最终,使用加权策略聚合全局和局部特征来表征目标地点图像。通过在当前流行的UAV数据集University-1652上进行实验,可知MMNet在UAV定位任务的召回率Recall@1 (R@1)及平均精准率(AP)上分别达到83.97%和86.96%。实验结果表明,相较于LCM、SFPN等方法,MMNet显著提升了跨视角图像的匹配精度,进而增强了UAV图像定位的实用性。

基于AI芯片和机器视觉的协同控制实现

目前,对于如何实现无人集群在无网络、无GPS环境中的自主导航研究较少。因此,针对这种特殊的应用场景,基于机器视觉相关算法,本文创新性地提出了一套采用集中式编队方式的地空协同控制系统。该系统由空中侦察机、空中跟随机、地面侦察车和地面跟随车组成。空中侦察机采用VINS-MONO技术进行导航,提供位置基准;同时利用CVM-Net技术将空中侦察机与地面侦察车的拍摄图像匹配,得到二者相对位置,用于引导地面跟随车和空中跟随机。该系统采用YOLO-LITE检测算法,可实现实时目标检测;采用华为"麒麟970"智能芯片作为核心硬件,实现信息的实时无回传处理。利用该系统,地面与空中无人集群可在无网络、无GPS的环境进行自主导航定位与协同控制,在紧急搜救和军事侦察等领域具有广阔的应用前景。