[论文解读] Deep Convolutional Neural Network-Based Autonomous Drone Navigation

K. Amer, Manthandi Peri Anna Samy+2 more|arXiv (Cornell University)|May 5, 2019

Robotics and Sensor-Based Localization被引用 11

一句话总结

本文提出了一种无需GPS的自主无人机导航系统，结合深度卷积神经网络（CNN）与回归器，从单目视觉输入生成转向指令。通过利用多个辅助导航路径进行数据增强，该方法在仿真中实现了亚米级精度，平均横向误差低于1.4米，平均航路点距离低于1米，能够在无GPS或易受欺骗的环境中实现可靠运行。

ABSTRACT

This paper presents a novel approach for aerial drone autonomous navigation along predetermined paths using only visual input form an onboard camera and without reliance on a Global Positioning System (GPS). It is based on using a deep Convolutional Neural Network (CNN) combined with a regressor to output the drone steering commands. Furthermore, multiple auxiliary navigation paths that form a navigation envelope are used for data augmentation to make the system adaptable to real-life deployment scenarios. The approach is suitable for automating drone navigation in applications that exhibit regular trips or visits to same locations such as environmental and desertification monitoring, parcel/aid delivery and drone-based wireless internet delivery. In this case, the proposed algorithm replaces human operators, enhances accuracy of GPS-based map navigation, alleviates problems related to GPS-spoofing and enables navigation in GPS-denied environments. Our system is tested in two scenarios using the Unreal Engine-based AirSim plugin for drone simulation with promising results of average cross track distance less than 1.4 meters and mean waypoints minimum distance of less than 1 meter.

研究动机与目标

• 通过仅依赖机载视觉输入，实现无需GPS依赖的自主无人机导航。
• 通过引入多个辅助导航路径进行数据增强，提升实际部署中的鲁棒性。
• 在环境监测和货物投送等重复性飞行任务中，替代人工操作员。
• 提升在无GPS或受欺骗环境下的精度与抗干扰能力。
• 开发适用于结构化或可预测航线的常规飞行任务的系统。

提出的方法

• 深度卷积神经网络（CNN）处理机载摄像头的视觉输入，提取用于导航的空间特征。
• 回归器组件将CNN提取的特征转化为无人机的连续转向指令。
• 利用多个辅助导航路径构建导航包络，提升数据多样性与模型泛化能力。
• 系统在基于Unreal Engine的AirSim插件仿真环境中进行训练与验证。
• 训练数据包含主路径与辅助路径的多样化视觉序列，以模拟真实世界的变化。
• 模型优化目标为最小化导航过程中的横向误差与航路点偏离度。

实验结果

研究问题

• RQ1 基于CNN的系统能否仅通过视觉输入且无需GPS实现可靠的自主无人机导航？
• RQ2 引入多个辅助导航路径在实际部署中如何提升鲁棒性与泛化能力？
• RQ3 该系统在无GPS或受欺骗环境中能保持多高的精度？
• RQ4 在仿真中，仅使用视觉输入可实现何种程度的导航精度？
• RQ5 该方法能否有效替代人工操作员完成重复性飞行任务？

主要发现

• 系统在仿真中实现了平均横向距离低于1.4米，表明横向精度极高。
• 平均最小航路点距离低于1米，证明了精确的路径跟踪能力。
• 使用辅助导航路径显著提升了模型对真实世界变化的适应能力。
• 该方法成功实现了在无GPS环境下的自主导航，降低了对全球定位系统的依赖。
• 与传统GPS导航相比，该方法在精度与抗欺骗能力方面表现更优。
• 结果证实了仅使用视觉输入实现自主导航在常规飞行任务（如监测与投送）中的可行性。