بررسی نحوه تخمین فاصله در پهپاد ها چگونه است؟ از چه مدل های هوش مصنوعی برای تشخیص استفاده می کنند؟
تخمین فاصله در پهپادها یکی از بنیادی‌ترین چالش‌ها در حوزهٔ ناوبری هوشمند است در این مقاله همراه من اشکان مستوفی به بررسی آن خواهیم پرداخت.
پهپاد برای حرکت ایمن نیاز دارد که بتواند فاصلهٔ خود با زمین، موانع و اشیاء اطراف را به‌صورت دائمی و دقیق محاسبه کند.
در مقاله نحوه تخمین فاصله در پهپاد ها چگونه است؟ فناوری‌های مبتنی بر هوش مصنوعی، بینایی ماشین، LiDAR، نقشه‌برداری SLAM و الگوریتم‌های عمیق که برای تخمین فاصله در پهپادها استفاده می‌شوند را بررسی می نمایم.
پیشرفت‌های چند سال اخیر در هوش مصنوعی و بینایی ماشین باعث شده است که پهپادهای امروزی توانایی تشخیص فاصله و اجتناب از موانع را با دقتی بسیار بالا داشته باشند.
در گذشته پهپادها فقط با سنسورهای ساده مانند اولتراسونیک کار می‌کردند، اما اکنون از مدل‌های یادگیری عمیق، شبکه‌های عصبی، استریو ویژن، الگوریتم‌های SLAM و حتی LiDAR برای ساخت نقشهٔ سه‌بعدی در لحظه استفاده می‌شود.
این مقاله به‌طور کامل توضیح می‌دهد که این تکنولوژی‌ها چگونه فاصله را تخمین می‌زنند و هر کدام در چه شرایطی بهترین عملکرد را دارند.
در بسیاری از پهپادهای کوچک که وزن و مصرف انرژی اهمیت زیادی دارد، فقط یک دوربین به‌کار می‌رود.
اما یک تصویر دو‌بعدی عمق واقعی ندارد؛ پس چگونه فاصله تخمین زده می‌شود؟
اینجا هوش مصنوعی وارد می‌شود.
مدل‌هایی مانند MiDaS، DPT، DenseDepth و مدل‌های مبتنی بر Vision Transformer توانایی دارند که تنها از یک تصویر، نقشهٔ عمق (Depth Map) تولید کنند.
این مدل‌ها با میلیون‌ها تصویر و محیط واقعی آموزش دیده‌اند و یاد گرفته‌اند که الگوهای عمقی را تشخیص دهند.
نتیجهٔ این روش دقت متوسط اما بسیار سبک‌وزن است.
مناسب برای پهپادهای مینی و تجاری.
در روش بینایی استریو (Stereo Vision) پهپاد از دو دوربین که شبیه چشم‌های انسان عمل می‌کنند استفاده می‌کند.
با محاسبهٔ اختلاف موقعیت پیکسل‌ها در دو تصویر هم‌زمان (Disparity)، فاصلهٔ هر نقطه در محیط به‌صورت دقیق محاسبه می‌شود.
الگوریتم‌های AI برای بهبود این تخمین شامل PSMNet، GA-Net و RAFT-Stereo هستند.
این روش دقت بسیار بالایی دارد و در پهپادهای پیشرفته مانند سری Mavic و Autel مورد استفاده قرار می‌گیرد.
LiDAR دقیق‌ترین روش برای اندازه‌گیری فاصله است.
با ارسال پالس‌های لیزری و اندازه‌گیری زمان بازگشت آن، یک نقشهٔ سه‌بعدی بسیار دقیق از محیط ایجاد می‌شود.
هوش مصنوعی این داده‌ها را با تصویر دوربین و IMU ترکیب می‌کند (Sensor Fusion) و نقشه‌ای محکم‌تر و پایدارتر می‌سازد.
الگوریتم‌های مهم شامل Kalman Filter + Deep Learning و مدل‌های BEV Fusion هستند که در خودروهای خودران نیز استفاده می‌شوند.
SLAM مخفف «Simultaneous Localization and Mapping» یعنی نقشه‌برداری و تعیین موقعیت هم‌زمان.
پهپاد با دوربین، IMU و گاهی لیزر، در لحظه نقشهٔ محیط را می‌سازد و فاصلهٔ خود با آن را محاسبه می‌کند.
مدل‌های جدید SLAM از شبکه‌های عصبی برای تشخیص ویژگی‌ها و بهبود پایداری استفاده می‌کنند.
از جمله:
این روش برای پهپادهایی که در محیط‌های پیچیده مانند جنگل، تونل، محیط صنعتی و فضاهای بسته پرواز می‌کنند ضروری است.
در برخی موارد، هدف دقیقاً اندازه‌گیری فاصله نیست بلکه تشخیص زودهنگام موانع است.
شبکه‌هایی مانند YOLOv8 و DETR اشیاء را شناسایی می‌کنند و سپس با مدل‌های هندسی و یادگیری عمیق فاصلهٔ تقریبی آن‌ها تخمین زده می‌شود.
این روش سرعت بسیار بالایی دارد و برای اجتناب از برخورد مناسب است.
پهپادها با ترکیب هوش مصنوعی، بینایی ماشین، سنسورها و الگوریتم‌های پیشرفته، فاصله را با دقتی فوق‌العاده تخمین می‌زنند.
انتخاب تکنیک مناسب به نوع پهپاد، وزن، هزینه و کاربرد بستگی دارد.
با پیشرفت سریع مدل‌های یادگیری عمیق، آیندهٔ پهپادها به‌سمت ناوبری کاملاً خودکار و ایمن پیش می‌رود.
آیا پهپاد فقط با دوربین می‌تواند فاصله را تخمین بزند؟
بله. با مدل‌های Monocular Depth AI مانند MiDaS امکان‌پذیر است.
دقیق‌ترین روش اندازه‌گیری فاصله چیست؟
LiDAR دقیق‌ترین روش است اما گران و سنگین‌تر از دوربین می‌باشد.
آیا SLAM به تنهایی برای پرواز کافی است؟
معمولاً SLAM به‌همراه IMU و دوربین استفاده می‌شود تا پایداری افزایش یابد.
منبع » آکادمی ایتروز
برای ثبت نظر، ابتدا وارد حساب کاربری خود شوید.
