Credit: Xie等人为了高效地导航其周围环境并完成任务，无人机系统(UAS)应该能够检测其周围的多个物体，并随着时间的推移跟踪其运动。然而，到目前为止，在无人机中实现多目标跟踪被证明是相当具有挑战性的。洛克希德·马丁人工智能中心的研究人员最近开发了一种新的深度学习技术，可以让无人机跟踪周围的多个物体。他们的技术发表在arXiv上的一篇论文中，可以帮助开发性能更好、反应更灵敏的自主飞行系统。
研究人员在论文中写道:“我们提出了一种鲁棒的目标跟踪架构，旨在适应实时情况下的噪声。“我们提出了一种运动预测模型，称为深度扩展卡尔曼滤波器(DeepEKF)，其中使用序列到序列的体系结构来预测潜在空间中的实体轨迹。”
洛克希德·马丁人工智能中心的·谢、詹姆·伊德和他们的同事创建的运动学预测模型基本上使用了一种采集图像嵌入和计算注意力机制，以强调图像不同部分对预测变化和未来状态的“重要性”。随后，该模型利用相似性度量来计算物体之间的距离，通过使用卷积神经网络编码器分析图像，使用暹罗神经网络进行预训练。
暹罗神经网络是一种人工智能技术，其中两个相同的神经网络为每个单独的数据输入生成特征向量，并比较这些向量。这些方法在研究人员试图检测图像中的异常或差异的情况下，以及在人脸和物体识别应用中特别有用。
研究人员使用集成在固定翼UAS上的摄像机采集的带注释的视频片段来评估他们的深度学习技术。这些带标签的视频序列包含一系列运动物体，包括人和车辆。
研究人员在他们的论文中写道:“我们希望精确诊断我们的模型能够在连续的时间内准确、一致地跟踪不同的对象实体。“我们看几个性能指标，包括缺勤预测、预测回忆图、跟踪寿命等。”
卡尔曼滤波器(KF)是一种算法，当它被馈送一系列随时间收集的测量值时，可以估计一些未知变量。研究人员提出的多目标跟踪方法是KF的更高级版本，它还集成了深度学习技术。
在最初的评估中，谢、Ide和他们的同事开发的DeepEKF架构取得了显著的效果，在多目标跟踪方面优于标准的算法。将来，它们的框架可以用来提高各种无人机系统的能力。
研究人员在论文中写道:“尽管我们报告了概念验证结果，但随着我们收集更多数据，对DeepEKF以及暹罗网络的进一步训练是必要的。“特别是，我们计划为长期跟踪(重新识别)部分增加更广泛的评估。另一个很有前途的方法是在给定环境和赛道状态的情况下，在相似性融合器组件中动态组合不同的运动学和视觉分数。”
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
