[论文解读] AutoSOS: Towards Multi-UAV Systems Supporting Maritime Search and Rescue with Lightweight AI and Edge Computing

Jorge Peña Queralta, Jenni Raitoharju+3 more|arXiv (Cornell University)|May 7, 2020

Underwater Vehicles and Communication Systems参考文献 34被引用 23

一句话总结

AutoSOS 提出了一种集成救援船的自主多架无人飞行器（UAV）系统，通过轻量级人工智能和边缘计算增强海上搜救（SAR）能力。该系统实现传感器融合、自适应目标检测以及动态UAV重构，支持多跳通信与主动视觉，显著提升态势感知能力，同时将复杂分析任务卸载至船载计算资源。

ABSTRACT

Rescue vessels are the main actors in maritime safety and rescue operations. At the same time, aerial drones bring a significant advantage into this scenario. This paper presents the research directions of the AutoSOS project, where we work in the development of an autonomous multi-robot search and rescue assistance platform capable of sensor fusion and object detection in embedded devices using novel lightweight AI models. The platform is meant to perform reconnaissance missions for initial assessment of the environment using novel adaptive deep learning algorithms that efficiently use the available sensors and computational resources on drones and rescue vessel. When drones find potential objects, they will send their sensor data to the vessel to verity the findings with increased accuracy. The actual rescue and treatment operation are left as the responsibility of the rescue personnel. The drones will autonomously reconfigure their spatial distribution to enable multi-hop communication, when a direct connection between a drone transmitting information and the vessel is unavailable.

研究动机与目标

• 开发一种自主多UAV系统，以支持海上搜救（SAR）行动，减少对昂贵直升机的依赖。
• 解决在动态海上环境中，受计算和环境约束下的实时感知与协同挑战。
• 通过嵌入式边缘设备上的轻量级深度学习模型，实现实时、低延迟的目标检测与传感器融合。
• 实施自适应多跳通信与动态UAV编队控制，以维持连接性并优化监视覆盖范围。
• 整合来自异构传感器（视觉、红外、LiDAR）的多UAV与救援船数据，提升检测精度与可靠性。

提出的方法

• 在UAV和救援船上部署轻量级、面向边缘优化的深度学习模型，实现实时目标检测与语义分割。
• 采用神经网络蒸馏与知识迁移技术，将大型模型压缩为适用于嵌入式硬件的高效实时推理模型。
• 通过在设备内部实现多模态融合，整合同一架UAV上多个传感器（如视觉与红外摄像头）的数据。
• 通过设备间多模态融合，将船载LiDAR点云数据与UAV视觉数据结合，提升感知精度。
• 开发动态推理图自适应机制，根据实时计算负载与可用资源调整模型复杂度。
• 采用分布式协同与编队控制算法，根据检测优先级、通信需求与目标密度动态重构UAV空间分布。

实验结果

研究问题

• RQ1 如何在UAV和救援船的嵌入式边缘设备上有效部署轻量级AI模型，以实现在海上搜救中的实时目标检测？
• RQ2 哪些多模态融合策略（设备内与设备间）可在最小化计算开销的同时提升检测精度？
• RQ3 当UAV与救援船之间失去直接视距时，如何实现UAV自主重构编队以维持多跳通信并优化监视？
• RQ4 何种主动感知与跟踪机制可使UAV优先识别并协同调查高紧急度或高可信度的检测结果？
• RQ5 如何通过分布式协同算法在异构多机器人系统中平衡计算负载、通信带宽与检测精度？

主要发现

• AutoSOS平台通过模型蒸馏与动态图自适应技术，实现在嵌入式UAV与船载硬件上的实时轻量级AI推理。
• 设备内视觉与红外摄像头数据的融合显著提升了海上环境下目标检测的可靠性，尤其在低能见度或恶劣天气条件下。
• 将船载LiDAR数据与UAV视觉数据进行设备间融合，显著增强了三维场景理解与目标定位精度。
• 基于检测优先级与通信需求的动态UAV重构，实现了稳健的多跳通信，确保在无直接视距条件下的数据传输。
• 该系统已与阿利坎特搜救小组合作完成实地测试，验证了其在真实世界、游客密集的沿海搜救场景中的适用性。
• 该平台架构具备可扩展性与适应性，可拓展至山地或野外搜救等其他环境，超越海上应用范畴。