近期，蘇黎世大學(xué)的一個(gè)研究團(tuán)隊(duì)公開發(fā)表了一篇研究論文，介紹了他們?nèi)绾螌?shí)現(xiàn)無(wú)人機(jī)在城市街道中安全飛行。

　　盡管早在一年前，Amazon等企業(yè)就宣布將使用Prime Air無(wú)人機(jī)系統(tǒng)送快遞，但是無(wú)人機(jī)很少能實(shí)現(xiàn)穿行在城市建筑間。主要原因在于從城市街道層面看，無(wú)人機(jī)的路線規(guī)劃并非易事，其中存在著大量的障礙物。為克服這些挑戰(zhàn)，研究團(tuán)隊(duì)嘗試創(chuàng)建一種可感知無(wú)人機(jī)運(yùn)動(dòng)方向的估計(jì)程序。該想法類似于該團(tuán)隊(duì)于2016年公開發(fā)表的無(wú)人機(jī)自動(dòng)巡航森林小徑的研究成果。

　　研究人員創(chuàng)建了一個(gè)深度神經(jīng)網(wǎng)絡(luò)，用于預(yù)測(cè)轉(zhuǎn)向角，并估計(jì)可能發(fā)生的碰撞情況。他們使用殘差網(wǎng)絡(luò)（Residual Network）訓(xùn)練神經(jīng)網(wǎng)絡(luò)架構(gòu)，進(jìn)而生成了用于導(dǎo)航無(wú)人機(jī)的轉(zhuǎn)向角，并估計(jì)了發(fā)生碰撞的可能性。無(wú)人機(jī)可以根據(jù)這些估計(jì)，識(shí)別出危險(xiǎn)情況并做出相應(yīng)的響應(yīng)。

　　該項(xiàng)研究的一個(gè)重要貢獻(xiàn)在于團(tuán)隊(duì)所使用的訓(xùn)練數(shù)據(jù)采集方式。雖然使用訓(xùn)練有素的無(wú)人機(jī)操作人員可以采集到針對(duì)多種情況的數(shù)據(jù)，但是這種做法需要耗費(fèi)大量的時(shí)間。研究人員創(chuàng)立另一種訓(xùn)練神經(jīng)網(wǎng)絡(luò)的方法，他們使用了采集自汽車和自行車的數(shù)據(jù)。其中，預(yù)測(cè)轉(zhuǎn)向角的數(shù)據(jù)集使用了Udacity訓(xùn)練集（https://medium.com/udacity/challenge-2-using-deep-learning-to-predict-steering-angles-f42004a36ff3）。在每幅圖像中，還包括了汽車的轉(zhuǎn)向角。這樣，研究人員可以使用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)汽車轉(zhuǎn)向角，進(jìn)而嘗試將這一預(yù)測(cè)行為克隆到無(wú)人機(jī)場(chǎng)景中。此外，研究人員通過在自行車上安裝攝像頭并騎向汽車等障礙物，收集了研究所用的碰撞數(shù)據(jù)集。使用這種方式采集的訓(xùn)練數(shù)據(jù)，可以訓(xùn)練神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)無(wú)人機(jī)是否接近了障礙物。