文/车彦卓 刘寿宝 普宙飞行器科技（深圳）有限公司

　　一、前言

　　无人驾驶飞机简称"无人机"（UAV），是利用无线电遥控设备和自备的程序控制装置操纵的不载人飞行器。与载人飞机相比，它具有体积小、造价低、使用方便、对作战环境要求低、战场生存能力较强等优点，因此在低空遥感领域的应用愈加广泛。然而，无人机遥感也存在诸多痛点，如操作风险高、续航能力差、作业效率低、数据分析慢等缺点严重影响着应用效果。尤其是其智能化水平不高，只能作为飞行器存在，而无法达到"机器人"的水平。近年来，人工智能领域的飞速发展，让我们看到了解决这一系列问题的新机遇。人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。

　　二、无人机与人工智能技术的探索

　　深度学习是指多层的人工神经网络和训练它的方法。一层神经网络会把大量矩阵数字作为输入，通过非线性激活方法取权重，再产生另一个数据集合作为输出。这就像生物神经大脑的工作机理一样，通过合适的矩阵数量，多层组织链接一起，形成神经网络"大脑"进行精准复杂的处理，就像人们识别物体标注图片一样。随着神经科学、计算机和集成芯片技术等飞速发展，人工智能技术迎来了新的发展热潮，使无人机的自主飞行和智能控制成为了可能。人工智能技术是提升无人机应用能力的革命性技术。其对无人机发展的影响主要体现在单机智能飞行、多机智能协同、任务自主智能等三个方面。

　　1.单机智能飞行

　　单机智能飞行是指面向高动态、实时、不透明的任务环境，无人机应该能够做到感知周边环境并规避障碍物、机动灵活并容错飞行、按照任务要求自主规划飞行路径、 自主识别目标属性、能够用自然语言与人交流等。也就是说，实现单机飞行智能的无人机应当具备环境感知与规避、 自动目标识别、 鲁棒控制、自主决策、路径规划、语义交互等能力。为实现这些能力，需要在以下关键技术方向取得突破。

　　（１）智能感知与规避技术。具体包括：①侦察、干扰、探测、通信一体化设计；②多源／多模信息融合处理技术；③位置信息共享技术；④环境自适应技术；⑤新型传感器技术。其中，侦察、干扰、探测、通信一体化设计技术是利用电子侦察、信息对抗、微波遥感和通信传输这４个技术领域相近的特点，通过解决侦、干、探、通一体化机理、可重构宽频带天线、超宽带低噪复用信道技术等技术问题，实现侦察、干扰、探测、通信４种功能在系统架构、天线设计、信道复用、数据处理、信息融合等层面的一体化。

　　（２）智能路径规划技术。具体可以应用的算法包括：①蚁群算法；②神经网络算法。③粒子群算法；④遗传算法；⑤混合算法。如图1所示给出了基于遗传算法的无人机全局航行路径规划方法原理图，通过多次迭代后获得最优的路径。

　　图1

　　（3）智能飞行控制技术。具体包括：①鲁棒飞控技术，重点关注容错、可重构飞行控制方法；② 开放性飞控技术，重点关注飞控技术的兼容性、可扩展性；③ 自主决策、融合技术；④ 自学习和进化技术。其中，鲁棒飞控技术是利用哈里托诺夫区间理论、H∞ 控制理论、结构奇异值理论（μ理论）等提高无人机飞控系统的容错、可重构水平，提升无人机系统环境适应能力。

　　（4）智能空域整合技术。具体包括：①智能地基感知与规避；②智能无人机适航认证；③智能空域管理规则。其中，智能地基感知与规避是利用布置的地面的各种传感器，对空中无人机的飞行状态进行探测，并提供空域使用建议，避免发生空中危险接近或碰撞。

　　（5）智能飞行器技术。具体包括：①仿生飞行器（鸟、昆虫等）；②旋翼-固定翼复合式飞机；③变体飞行器；④跨介质飞行器。其中，跨介质飞行器就是通过飞行器的外形设计和动力系统自适应，使飞行器能够在多种不同介质中飞行，比如水下、空中或太空。

　　2.多机智能协同

　　多机智能协同具体以无人机系统"蜂群"作战运用为目标， 重点突破协同指挥控制技术、 协同态势感知生成与评估技术、 协同路径规划技术、 协同语义交互技术等技术， 实现无人机系统之间、 无人机系统与有人作战系统之间的高度协同， 达到自动控制"蜂群"中各无人系统的平台状态、交战状态、 任务进度、 各编队之间的协同状态的目的。多机智能协同具体含义包括：执行任务时协同行动的能力；通过利用、共享跨领域 UAS传感器信息来无缝地指挥、控制和通信的能力；能够接收不同系统的数据、信息和功能服务并使他们有效协作的能力；能够提供数据、信息和功能服务给其他有／无人系统的能力。多机智能协同在发展过程中包括以下关键技术。

　　（1）协同指挥控制技术。具体包括：①大动态、自组网通信技术；②编队飞行控制技术；③控制权限分级、切换、交接技术；④任务规划与目标分配技术。其中，任务规划与目标分配技术是根据任务信息，为需要协同的不同无人机分别进行任务规划和分配不同的任务。

　　（2）协同态势生成与评估技术。具体包括：①协同态势感知技术；②协同态势处理技术；③协同态势评估技术；④协同态势分发技术。其中，协同态势感知就是利用分布在不同飞行器上的不同传感器或相同传感器进行环境感知，形成周边态势信息。

　　（3）协同路径规划技术。具体指在单机智能路径规划的基础上，要根据协同内容实时调整，以保证协同的成功。

　　（3）协同语义交互技术。其核心是人类与无人机之间，以及无人机与无人机之间的自然语言的机器理解。

　　3.任务自主智能

　　无人机作为行业基础工具，搭载多种的任务设备，提供空中视角。搭载监控任务设备，将地面的视频流和图像结合的AI技术，使无人机从"看得见"变为"看得懂"。随着无人机系统的快速增长，无人机系统扮演角色的扩展，以及有人机系统和无人机系统的同步操作，对使用者造成了巨大的人力资源负担。正如美参谋长联席会议副主席詹姆斯· 卡特赖特上将所说："如今，无人机操作手坐在那里，连续几个小时盯着死亡电视，试图寻找目标或看到某些东西在动或做某些事情以确定它是一个目标，这是人力资源的浪费，这是低效的！" 因此，如何在有限的人力资源条件下，寻求方法来提高操作效能是无人机系统使用者要努力解决的问题。提高处理能力和信息存储能力，尤其是机上预处理能力，这是有可能改变无人机系统运作方式的一种解决途径。自主技术减少了人在操作系统中的工作量，优化了人在系统中的作用，使人的决策集中在最需要的地方。任务自主智能的发展包括了以下几种关键技术的发展和应用。

　　（1）语音、文字和图像的模式识别技术

　　模式识别是指对表征事物或现象的各种形式的信息（语音、文字和图像等）进行处理和分析，以对事物或现象进行描述、辨认、分类和解释的过程。模式识别是人类的一项基本技能，以人类识别苹果这一简单问题为例。人类大脑都可以直接抽象出"苹果"的特征，无论是一个完整的苹果，切开一部分的苹果，还是切碎的苹果，人类都可以根据特征，迅速地做出正确的判断。如何将人脑判定"苹果"的思维模式转化为计算机可执行的可靠算法，是模式识别技术的终极目标。

　　（2）人工神经网络技术

　　以卷积神经网络、循环神经网络、递归神经网络、长短时记忆神经网络及其训练算法等为代表的深度学习技术突飞猛进，在各种领域得到了初步应用。2015年，微软的ResNet系统夺得 了ImageNet图像识别大赛的冠军，这是一个152层的深度神经网络，目标错误率低至3.57%， 已经低于人类的6%的错误率。这些成果的取得是依靠高速计算平台、大数据，经过长时间训练学习得到的，在一些固定领域有应用前景。但更需要关注与人类认知过程类似的少数据、计算能力有限条件下实现的人工神经网络及其训练算法，提高人工神经网络的适应能力，拓展应用范围。 如图2所示给出了基于人工神经网络的目标识别概念图。

　　图2

　　（3）专家系统技术

　　专家系统是一个智能计算机程序，内部包含有大量的某个领域专家水平的知识与经验，在某一专门领域解决需要专业人才才能求解的复杂问题。它利用一个或多个专家提供的经验和知识进行推理和判断，模拟人类解决问题的决策过程。如图3所示给出了典型的专家系统模型结构。

　　图3

　　三、无人机低空遥感的实践应用

　　无人机在电力巡检，尤其是电网巡检领域的应用已经实现了常态化。边缘计算模块可同时开启三个线程处理与无人机的数据交互：接收视频流、对视频流进行硬解码、进行模型推理及指令发送处理。通过深度学习器件识别模型定位到巡检器件，使用变倍云台对器件部位进行变倍跟踪锁定，得到大比例清晰图像，从而进行缺陷精准识别，改善小目标漏检误检问题。同时，多目标纠偏功能，可以实现动态目标纠偏演示，能够在电力精细化巡检过程中在一个点位完成对多个点位目标的纠偏功能，同时根据AI边缘计算模块检测缺陷结果生成巡检报告。根据统计，当下融合了人工智能技术的无人机电力巡检，可普遍实现器件识别平均精准率达到90%以上，缺陷识别平均精准率达到80%以上，机载端识别速度200ms以内。

　　2.智慧农业

　　"无人机+人工智能"技术应用于农业巡检，能够准确定位，自动识别，自动分析，并提交后台服务器，后台指挥部可以迅速响应指挥调度。运用多光谱、图像识别、AI飞行等核心技术，无人机自主决策航迹、姿态、拍摄参数，获取高质量巡检数据。通过目标识别，可实现500ms内识别指定农作物地块的长势、杂草、倒伏、病虫害等特征，并且在数据不断丰富的情况下，不断迭代升级识别模型，实现无人机巡航拍摄与数据分析同步进行，突破数据后期处理效率低下的瓶颈。

　　3.森林防护

　　"无人机+人工智能"技术能够实现森林区域的高精度实景拼图，智能语义分割分析等功能，通过对不同巡检时间的森林实景图像进行语义分析和人工智能对比，实现了智能分析森林植被变化情况，包括建筑地、农田、原始森林、人工森林的资源变化情况，辅助森林局对非法伐木行为及时制止，从而保护森林资源。同时，人工智能技术赋能的无人机已经实现了森林火情的实时监测。基于人工智能技术的高性能推理引擎可以方便地部署在多种硬件平台上。通过模块化设计来解耦各个组件，基于配置文件可以轻松地搭建各种检测模型，进行烟雾火点检测，实现了大范围森林的火情监测，一旦发现火情，将向控制中心发出警报，辅助森林局第一时间联动其他机构控制火情。

　　四、结语

　　本文首先通过对无人机单机智能飞行、多机智能协调、任务自主智能等三个方面进行剖析，分析基于深度学习的人工智能技术对无人机低空遥感技术的推动作用；其次通过介绍无人机低空遥感的实践应用，有效证明了人工智能技术是提上无人机应用能力的革命性技术。未来，随着人工智能、5G通信等前沿技术的大力发展以及无人机技术自身突破，我们相信无人机技术在安防行业的发展也有无限可能。