【摘要】自動避障一直是困擾無人機領域發展的一項技術難題，傳統的ADS-B廣播式避障和雷達避障由於其高成本以及重量太大，很難應用到民用無人機上，所以如何在低成本的前提下實現精準定位成為了無人機發展的關鍵技術之一。然而隨著人工智能與大數據的發展，蘇黎世大學的教授研究團隊給出了我們一種新的方法。

(圖片來源於網絡)

在今年的人工智能領域頂會AAAI上，蘇黎世大學Davide Scaramuzza教授研究團隊展示了他們研究的最新成果——基於深度神經網絡利用單目視覺幫助無人機穿過森林小道。通過神經網絡算法與大數據的結合使無人機具有避障及路徑規劃功能。通過人工智能的算法，Davide團隊的無人機可以做到在無人控制的情況下自主檢測周圍環境、自主避障並選擇出最佳路線。傳統的檢測與避障方法是通過實時探測的方法進行避障，這就對檢測設備的精度要求十分高，不僅成本很高，避障效果也並不夠準確。Davide團隊很好的解決了這些問題。

Davide團隊的新方法只需要三個普通攝像頭就可以在人工智能算法的輔助下做到準確避障。之所以可以做到這些，還要有勞人工智能算法。他們所運用的是人工智能中的深度神經網絡算法，這其中涉及到兩個知識點：神經網絡算法和深度學習。下面小編就給大家介紹一下這兩種算法的基本知識。

(圖片來源於網絡)

什麽是神經網絡？

神經網絡是由具有適應性的簡單單元組成的廣泛並行互連的網絡，他的組織能夠模擬生物神經系統對真實世界物體所作出的交互反應。如圖所示，神經網絡分為三部分：輸入層、隱含層和輸出層。其中隱含層又可以細分為很多個小層，每層由一個一個簡單的神經元組成。

如圖所示，每一個神經元模型的輸入是上一層神經元的輸出，並且每一個輸入對應一個相應的權重值，不同的權重代表了不同輸入的影響程度，把所有的輸入、權重值以及閾值帶入到輸出函數中就可以得到一個我們想要的輸出。再結合對誤差的微調，就可以得到一個滿足精度條件的數據。

(圖片來源於《機器學習》教材)

什麽是深度學習？

而所謂的深度學習就是在模型復雜度增加、容量增大後的更加復雜的學習方法。隨著雲計算與大數據時代的到來，深度學習可以處理龐大的數據，有了強大的計算能力做支撐，深度神經網絡學習方法就可以最大化的發揮它的作用——快速的處理大量的數據並不斷地學習優化。

在掌握了這些知識後，再來看Davide團隊的研究成果就好理解了。他們首先用登山者頭帶三個GoPro相機的收集數據，並自動完成了數據的標記；第二步建立深度學習模型，並將輸出結果限定為直行、左轉和右轉三種命令；第三步用手機采集圖像，模擬無人機飛行時收到的圖像，檢測模型效果；第四步分別用AR.Drone 2.0無人機和實驗室設計的搭載Odriod處理器的無人機進行真實場景的測試。

(圖片來源於網絡)

第一步收集數據時，三個相機分別為左中右三個角度，所以分別把三組照片標記為左轉、直行和右轉。第二步學習環節就用到了我們剛剛所介紹的深度神經網絡算法，把之前收集的各種圖像數據作為輸入，左轉、直行和右轉作為輸出，通過逐漸學習就可以建立一個十分精確的模型，讓計算機在類似環境下學會如何像人一樣做出正確的決策。

給機器賦予人類的思考方式正是人工智能的精髓，而隨著大數據時代的到來，機器可以處理大量的數據，於是我們就可以通過先進的算法“教”機器如何根據大量過去的數據來做現在的決定。事實證明，任何事物都是有規律可循的，當機器掌握了足夠多的有用數據及一個優秀的算法後，它可以做出超過人類判斷能力的決定。就像Davide團隊研發的無人機在經過深度學習培訓後，其做決定的準確率達到了85.23%，甚至超過了人類的82.00%。而且人工智能另一個特點是學習的過程是持續的，所以只要數據庫不斷的增大，且不斷的對誤差進行微調，準確率將越來越高。

(圖片來源於網絡)

可以想見，未來是屬於人工智能的，而無人機是人工智能最理想的載體之一，二者的結合將成為必然，而隨著算法的不斷優化，人工智能在無人機上的應用將遠遠不止自動避障這一項，而無人機也將變得越來越智能。

無人機與人工智能結合