|
Abstract:
|
O uso de aeronaves não-tripuladas é cada vez mais comum em diversas aplicações, como
agricultura de precisão, monitoramento aéreo, logística, defesa civil, dentre outras.
Durante a navegação, obstáculos e objetos podem colocar em risco a integridade da
aeronave mesmo para pilotos experientes, principalmente em voos realizados para além
da linha de visada. Para isso, a navegação autônoma é importante para a adaptação
dinâmica do voo em decorrência de obstáculos não conhecidos ou em movimento. Este
trabalho propõe uma arquitetura computacional de Detect and Avoid para a navegação
autônoma de aeronaves não-tripuladas, baseada em um fluxo de algoritmos de visão
computacional clássicos e de rede neural convolutivas. Esta arquitetura, embarcada em
um módulo de software, é portada para execução em um computador de bordo Nvidia
Jetson Orin NX e a controladora de voo Pixhawk, em uma aeronave com câmera
frontal, a entrada principal do sistema. Os experimentos foram realizados em ambiente
laboratorial, considerando um dataset misto composto por aquisições reais a partir
de um drone em sobrevoo, e dados sintéticos produzidos em ambiente simulado em
3D. Os resultados obtidos indicam a capacidade do módulo de Detect and Avoid em
detectar situações de anomalia como outros drones em rota de colisão, emitindo alertas
de aproximação com base nas trajetórias dos objetos. Adicionalmente, foram testados
no ambiente embarcado algoritmos para detecção de região de interesse, e estimativa
de profundidade a partir de uma única câmera, demonstrando viabilidade de execução
em tempo-real. |
