무인 비행체의 효율적인 시각 기반 비행 목표물 추적을 위한 학습 접근법

비행 물체의 자율 추적은 구조 및 구난에서부터 무인 항공 시스템 대응(Counter-UAS)에 이르기까지 중요한 민간 및 국방 응용 분야를 가지고 있습니다. 지상 기반 추적은 인프라 구축이 필요하며, 거리 제한이 있을 수 있으며, 원격 지역, 혼잡한 도시 또는 밀집된 식생 지역에서는 실행이 어려울 수 있습니다. 다른 비행체, 예를 들어 추적용 무인 항공기(UAV)에서 비전 기반 활동 추적은 이러한 중요한 간극을 메우는 데 기여할 뿐만 아니라 공중 조정 사례를 지원하는 역할도 합니다. UAV의 비전 기반 활동 추적은 두 가지 연관된 문제를 해결해야 합니다: 1) 계산 효율적이면서 정확한 (대상) 물체 검출과 대상 상태 추정; 그리고 2) 미래 시간 단계에서 대상이 시야 내에 남아 있도록 하고 지속적인 검출을 위해 유리한 위치를 유지하기 위한 조종 결정입니다. 첫 번째 문제 해결을 위해 본 논문에서는 표준 딥러닝 기반 아키텍처와 커널화 상관 필터(Kernelized Correlation Filter, KCF)를 통합하여 계산 효율적인 물체 검출을 실현하면서 정확성을 저하시키지 않는 새로운 방법을 제시합니다. 제안된 인식 프레임워크는 실험실 규모의 설정을 통해 검증되었습니다. 두 번째 문제 해결을 위해 전통적인 제어기의 선형 가정과 배경 변화로 인해 효과가 제한되는 것을 방지하기 위해 강화 학습을 사용하여 신속한 속도 조종 계산을 위한 신경망 제어기를 훈련시키는 방법을 소개합니다. 이 목적을 위해 새로운 상태 공간, 행동 공간 및 보상 공식이 개발되었으며, AirSim 시뮬레이션 환경에서 훈련이 수행되었습니다. 훈련된 모델은 AirSim에서 복잡한 대상 조종에 대해 테스트되었으며, 추적 시간과 추적 중 평균 거리 유지 측면에서 기본 PID 제어보다 우수한 성능을 보였습니다.