基于VAE-LSTM模型的无人机飞行数据异常检测

无人机飞行数据是反映其自身飞行安全的重要状态参数,通过对飞行数据进行异常检测,是提高无人机整体飞行安全性的关键举措。尽管基于数据驱动方法不需专家先验知识和精确的物理模型,但缺乏参数选择且检测网络结构模型单一,使得检测模型由于参数过多导致过拟合以及无法有效捕捉数据异常模式的问题。文中结合变分自编码器和长短期记忆网络的优势,提出了一种基于VAE-LSTM的无人机飞行数据异常检测模型方法。首先,引入肯德尔相关性分析方法用于选择相关依赖的飞行数据参数集;其次,将具有相关性的参数集对所设计的VAE-LSTM深度混合模型进行训练,学习不同数据特征之间的关系映射;最后,以无监督异常检测方式在真实多维无人机飞行数据进行验证。实验结果表明,VAE-LSTM的精密度、检测率、准确率、F1分数及误检率的各项平均性能指标分别达到95.24%、98.71%、98.8%、 96.82%、 1.31%,相比于KNN、OC-SVM、VAE、LSTM模型,整体上展现出较好异常检测性能。     

基于深度视觉的四旋翼无人机自主飞行感知和避障综述

随着无人机技术的深入发展，基于深度学习且以视觉输入的四旋翼无人机(四旋翼)自主飞行感知和避障研究备受该领域学者的关注，以无人机飞行模式朝着完全自主的终极目标不断迈进。无人机的自主感知和避障正是实现无人机自主飞行的关键所在。简要地阐述了目前无人机自治水平等级和相关深度学习方法；对四旋翼的仿真平台和公开数据集进行了较为全面的介绍；从无人机自主飞行感知和避障2个方面，对当前基于深度视觉的四旋翼自主飞行感知和避障相关国内外文献报道，进行了较为全面的分析和总结；结合深度学习方法和以视觉输入的四旋翼自主飞行感知和避障在一些关键的开放性问题上的不足，对其未来挑战和发展趋势进行了总结和展望，旨在为后续研究提供参考。     

激光雷达室内定位技术研究及应用综述

室内定位技术伴随机器人等在室内环境下自主作业的需要已成为热门研究领域，室内定位效果依赖其使用的传感器以及相关算法。为探索激光雷达在室内定位过程中的技术发展及相关应用，通过文献调研对基于激光雷达的室内定位原理，激光雷达产品，激光雷达室内定位技术发展展开分析。结合当下激光雷达室内定位技术的部分应用场景探索激光雷达现阶段实际应用中的不足，并提供了部分切合实际的技术解决方案。最后对基于激光雷达的室内定位技术进行了总结及展望，为后续该领域的研究提供一些可行思路。