其他
研究意义自主着陆是无人机最基本、最关键的功能,与各种民用和军事任务密切相关,如搜索救援、物流配送和紧急着陆等。但由于近地情况极为复杂,这项任务往往伴随着很大的风险。尤其当无人机在非合作环境下自主着陆时,其核心难题是于如何选择安全的着陆地点。目前大多数解决方案是寻找平坦的地面作为着陆点,使用机载传感器进行深度估计,例如单目摄像机、双目摄像机或超声波雷达,以获得地面和无人机之间的相对距离,进一步计算出地形的倾斜度和颠簸程度;还有研究通过单应性估计或深度学习方法直接检测地面的水平区域。然而这些研究的主要问题是,由于缺乏可靠的测距传感器和鲁棒算法,这些方法无法自我评估和纠正其结果,从而导致在不熟悉的环境中泛化能力差,甚至导致无人机坠毁。更重要的是,仅仅根据地形平坦性会导致无人机选择错误的着陆地点(如平静的湖泊)或降落在次优地点(如有不明显石头的草地或建筑物的屋顶)。本文工作在本文中,我们提出了一个可靠的多传感器系统和鲁棒的地形理解模型,该模型可以同时推断地面的平坦度和安全性,以克服过往研究中的问题,如图1所示。具体而言,我们构建了一个配备轻型高精度双目视觉与激光雷达系统的无人机平台,提出了一个名为TerrainNet的模型,通过同时执行深度补全和弱监督语义分割,从形态学和语义两方面实现对地形的全面理解。在模型推理阶段,我们的模型能够自我评估预测深度图的准确性,并动态选择激光雷达的积累时间,从而自适应地平衡模型的精度和速度,确保准确的深度估计。该功能大大提高了模型的鲁棒性,并确保无人机能够在完全未知的环境中安全着陆。为了训练该模型,利用我们的无人机平台收集了一个新的低空航拍图像数据集,其中包含约30000张自动稀疏标注的深度图和3000张手动标注的语义分割图。在这个数据集上,我们验证了TerrainNet可以有效地同时学习两个任务,即使数据量不平衡,也比单独学习每个任务效果更优。使用精心设计的网络结构、损失函数和多任务学习范式,我们的模型取得了比现有基于深度估计的着陆方法更好的效果。我们的着陆点选择方法经过验证,能够在不同复杂环境下成功找到安全区域,准确率高达98%。此外,我们在真实无人机上进行了完整的自主着陆实验,验证了我们整体着陆策略的有效性和鲁棒性。本文的贡献如下:(1)