Πολυτροπική Αντίληψη και Σύντηξη Δεδομένων Τροφοδοτούν τα Έξυπνα Μη Επανδρωμένα Εναέρια Οχήματα Επόμενης Γενιάς
2026-02-23
Πολυτροπική Αντίληψη και Σύντηξη Δεδομένων Τροφοδοτούν τα Έξυπνα Μη Επανδρωμένα Εναέρια Οχήματα Επόμενης Γενιάς
Η προηγμένη αντίληψη αναδεικνύεται ραγδαία ως ο ακρογωνιαίος λίθος της αυτονομίας των UAV, με την πολυτροπική αντίληψη και τη σύντηξη δεδομένων να αποτελούν θεμελιώδεις τεχνολογίες υποστήριξης. Τα εγγενή όρια των μεμονωμένων αισθητήρων σε μη δομημένους και δυναμικούς εναέριους χώρους έχουν τοποθετήσει την ενσωμάτωση βαθιάς όρασης-LiDAR ως κορυφαία λύση.
Οι Baya et al. αξιοποίησαν συνελικτικά νευρωνικά δίκτυα με δεδομένα LiDAR για να ενισχύσουν σημαντικά την αναγνώριση και παρακολούθηση δυναμικών εμποδίων, διατηρώντας ισχυρή ασφάλεια πτήσης σε εξαιρετικά δυναμικά περιβάλλοντα (Εικ. 3(α)). Οι Ullah et al. προώθησαν αρχιτεκτονικές σύντηξης όρασης-LiDAR, μετατοπίζοντας την έμφαση από την αποφυγή δυναμικών εμποδίων στην προσαρμοστικότητα μεταξύ περιβαλλόντων, αντιμετωπίζοντας τις ποικίλες απαιτήσεις σύνθετων επιχειρησιακών σεναρίων.
Η αντίληψη επιτρέπει στα drones να αντιλαμβάνονται το περιβάλλον τους, ενώ η σύντηξη δεδομένων παρέχει ακριβή, αξιόπιστη κατανόηση. Οι Xu et al. εισήγαγαν ένα πολυτροπικό πλαίσιο νευρωνικής σύντηξης που ανανεώνει τα περιβαλλοντικά μοντέλα σε πραγματικό χρόνο και βελτιώνει τον σχεδιασμό διαδρομής, προσφέροντας εξαιρετική απόδοση σε σύνθετο έδαφος (Εικ. 3(β)). Οι Jiang et al. πρότειναν έναν αλγόριθμο σύντηξης υπέρυθρων-οπτικών πολλαπλών κλιμάκων βελτιστοποιημένο για περιβάλλοντα χαμηλής ορατότητας. Αυτές οι συμπληρωματικές καινοτομίες αναβαθμίζουν την ακρίβεια, την ανθεκτικότητα και την επιχειρησιακή ευελιξία των UAV σε δύσκολες πραγματικές συνθήκες.
