本文建立了一個用于無人機(jī)距離估計的UAVDE數(shù)據(jù)集，通過UWB傳感器獲取兩個無人機(jī)之間的距離。實驗發(fā)現(xiàn)傳統(tǒng)的立體測量法在無人機(jī)場景中無法應(yīng)用，原因是無人機(jī)位置偏差問題。為了解決這個問題，提出了一種新的位置修正模塊（PCM），可以直接預(yù)測圖像位置和無人機(jī)實際位置之間的偏移量，并在立體測量中進(jìn)行計算補(bǔ)償。此外，為了進(jìn)一步提升在難樣本上的性能，提出了一個動態(tài)迭代修正機(jī)制，通過多個堆疊的PCM和門控機(jī)制來適應(yīng)地決定是否需要進(jìn)一步修正。通過廣泛的實驗，作者的方法在UAVDE上取得了38.84%的性能提升，證明了其有效性和優(yōu)越性。

1 前言

本文介紹了群體無人機(jī)的研究和應(yīng)用的重要性，并說明了在無人機(jī)場景中準(zhǔn)確估計周圍無人機(jī)距離的難點。存在的方法主要依賴于密集視差預(yù)測，但在無人機(jī)場景中存在數(shù)據(jù)注釋困難和計算資源有限的問題。為了解決這些問題，本文構(gòu)建了UAVDE數(shù)據(jù)集，并提出了一種新的位置校正模塊（PCM）和動態(tài)迭代校正（DIC）機(jī)制。在UAVDE數(shù)據(jù)集上的實驗結(jié)果表明，所提出的方法在無人機(jī)距離估計中具有有效性和優(yōu)越性。

作者的主要貢獻(xiàn)有：

形式化了無人機(jī)距離估計任務(wù)并提出了UAVDE數(shù)據(jù)集。

發(fā)現(xiàn)位置偏差問題是損害無人機(jī)距離估計性能的主要挑戰(zhàn)。

提出了一種名為位置校正模塊（PCM）和動態(tài)迭代校正（DIC）機(jī)制的新修正方法，以準(zhǔn)確預(yù)測圖像和真實位置之間的偏移，并用于立體三角測量的計算補(bǔ)償。

在UAVDE數(shù)據(jù)集上對所提出的方法進(jìn)行了實驗評估，結(jié)果證明了作者方法的有效性和優(yōu)越性。

2 相關(guān)工作

本文回顧了與作者的工作相關(guān)的經(jīng)典和基于學(xué)習(xí)的立體距離估計的文獻(xiàn)。經(jīng)典的立體匹配算法通常包括匹配代價計算、代價聚合、優(yōu)化和視差細(xì)化四個步驟，利用不同的像素表示和后處理技術(shù)可以在相對簡單的場景中取得良好的效果。然而，在復(fù)雜的無人機(jī)場景中，現(xiàn)有方法通常受到遮擋、光照變化和無特征區(qū)域等環(huán)境干擾的影響。為了應(yīng)對這些問題，近年來的研究者開始利用深度學(xué)習(xí)技術(shù)來提取像素級特征并進(jìn)行匹配。學(xué)習(xí)到的表示在低紋理區(qū)域和各種光照下表現(xiàn)出更強(qiáng)的魯棒性。有些方法還試圖在代價聚合過程中結(jié)合語義線索和上下文信息，取得了積極的結(jié)果。然而，基于學(xué)習(xí)的方法需要依賴以激光雷達(dá)密集注釋的高質(zhì)量訓(xùn)練數(shù)據(jù)，在無人機(jī)場景中很難獲得這種關(guān)鍵的密集注釋數(shù)據(jù)。因此，本文提出了一種新的數(shù)據(jù)集，用于無人機(jī)距離估計，該數(shù)據(jù)集利用UWB傳感器獲取距離，并發(fā)現(xiàn)了無人機(jī)距離估計中的關(guān)鍵問題-位置偏差，并提出了一種新的位置修正方法。

3 UAVDE數(shù)據(jù)集

本文介紹了一個名為UAV Distance Estimation (UAVDE)的新穎無人機(jī)距離估計數(shù)據(jù)集。數(shù)據(jù)集使用一架AMOV P600記錄型無人機(jī)和一架DJI M200目標(biāo)無人機(jī)進(jìn)行立體圖像采集。采集了包括建筑背景、森林、運動場和籃球場等典型場景的3895個立體圖像，并劃分為訓(xùn)練、驗證和評估三個子集。為了適應(yīng)未見場景并解決模型過擬合問題，訓(xùn)練子集與其他子集包含的場景不同。數(shù)據(jù)集的注釋過程中，通過UWB定位技術(shù)測量了目標(biāo)無人機(jī)中心位置的距離，并手動標(biāo)注了無人機(jī)邊界框以用于無人機(jī)檢測器的訓(xùn)練。

4 方法

4.1. Position Correction Module - 位置校正模塊

本文主要解決了位置偏移問題，并提出了一種新穎的位置校正模塊 (PCM)。根據(jù)分析，作者使用4元組{θ、r、w、h}來預(yù)測位置偏移，其中θ和r表示相對角度和到圖像中心的半徑，w和h表示檢測到的無人機(jī)邊界框的大小。通過一個簡單的多層感知機(jī) (MLP) 進(jìn)行預(yù)測，得到校正量。在訓(xùn)練過程中，采用了L2損失函數(shù)來優(yōu)化校正后的距離與真實距離之間的差異。PCM的訓(xùn)練與無人機(jī)檢測器的訓(xùn)練是相互獨立的，在推斷過程中，PCM只需附加到無人機(jī)檢測器的末尾進(jìn)行位置校正。

4.2. Dynamic Iterative Correction - 動態(tài)迭代校正

本文針對無法完全校正的難樣本，提出了一種動態(tài)迭代校正方法。通過堆疊多個位置校正模塊(PCM)來連續(xù)進(jìn)行迭代校正。為了確定是否需要進(jìn)一步校正，本文設(shè)計了一個門控機(jī)制，根據(jù)數(shù)據(jù)樣本的難度自適應(yīng)調(diào)整校正過程。在訓(xùn)練過程中，使用絕對相對差異(Abs Rel)作為測量指標(biāo)來確定難樣本，并使用交叉熵?fù)p失函數(shù)對門控模塊的輸出進(jìn)行優(yōu)化。通過多個PCM和門控模塊的指令，可以在推斷過程中順序執(zhí)行多個PCM，實現(xiàn)動態(tài)迭代校正。

5 實驗

5.1. 數(shù)據(jù)集

本實驗中，作者構(gòu)建了UAVDE數(shù)據(jù)集，該數(shù)據(jù)集旨在幫助研究無人機(jī)場景中的距離估計。數(shù)據(jù)集包含2815個訓(xùn)練樣本、541個驗證樣本和539個評估樣本，分辨率為1280×720。每個樣本都有距離注釋以及左右圖像中的無人機(jī)邊界框注釋。作者使用驗證子集來進(jìn)行超參數(shù)和模型選擇。為了評估距離估計的性能，作者采用了兩個常用的評估指標(biāo)：AbsRel和SqRel。其中，AbsRel表示絕對相對誤差，SqRel表示平方相對誤差。這些評估指標(biāo)可以通過計算距離估計值與真實距離之間的差異來評估算法的準(zhǔn)確性。

5.2. 實驗細(xì)節(jié)

在本實現(xiàn)中，作者選擇了YOLOX-Nano作為無人機(jī)檢測器，因為它在性能和計算效率之間達(dá)到了良好的平衡。作者先在UAVDE數(shù)據(jù)集上進(jìn)行預(yù)訓(xùn)練，然后固定檢測器，用于生成訓(xùn)練所需的位置矯正機(jī)制。為了實現(xiàn)位置矯正機(jī)制和門控模塊，作者采用了相同的多層感知器MLP-Mixer。通過利用MLP-Mixer的混合機(jī)制，作者可以捕捉生成的位置矯正機(jī)制中的內(nèi)部關(guān)系，并預(yù)測位置偏移。為了提高計算效率，作者將原始的8層MLP-Mixer變體減少到2層，并避免了過擬合問題。在訓(xùn)練過程中，采用SGD優(yōu)化器，并配合梯度裁剪、余弦學(xué)習(xí)率調(diào)度和線性預(yù)熱等策略。通過在驗證子集上進(jìn)行驗證，確定了閾值T和λ的取值，使得在困難樣本上能夠獲得明顯的改進(jìn)。

5.3. 性能比較

在本實驗中，為了展示作者提出的方法的優(yōu)越性，作者與兩種經(jīng)典方法進(jìn)行了比較。根據(jù)比較結(jié)果，作者觀察到經(jīng)典方法在無人機(jī)場景中表現(xiàn)不佳，受到位置偏移和環(huán)境干擾的影響。相比之下，基線方法展現(xiàn)出更好的性能，但仍然受到位置偏移問題的困擾。注釋的邊界框在性能上只有輕微的改善，無法解決位置偏移問題。與其他方法相比，作者的方法能夠通過補(bǔ)償位置偏移帶來顯著的性能提升，達(dá)到38.84%的改進(jìn)效果，這證明了作者方法的優(yōu)越性和有效性。

5.4. 消融實驗

本文通過進(jìn)行消融實驗來驗證作者提出的方法的有效性。實驗結(jié)果表明，通過引入PCM組件可以顯著改善距離估計精度，特別是解決位置偏差問題。同時，DIC組件在對困難樣本進(jìn)行多次修正后，可以進(jìn)一步提升性能。對于修正階段數(shù)量的選擇，進(jìn)行兩次修正可以帶來明顯的改進(jìn)，進(jìn)一步的修正效果不明顯。閾值T的選擇不同范圍對方法的改進(jìn)均有一定影響，表明方法對T值的選擇具有魯棒性。此外，通過資源消耗分析，作者發(fā)現(xiàn)我們提出的PCM和門控模塊在計算成本上幾乎可以忽略不計，有助于輕量級設(shè)計。針對困難樣本，作者提出的DIC機(jī)制可以進(jìn)一步改善估計性能，特別是對于距離較遠(yuǎn)的樣本。最后，通過可視化分析，作者展示了我們的方法在易樣本和難樣本上的修正效果，證明了其有效性。

6 總結(jié)

在本文中，作者專注于無人機(jī)距離估計問題，這在實際中非常重要但卻很少被研究。為了幫助研究，作者建立了一個新穎的無人機(jī)距離估計數(shù)據(jù)集，令人驚訝的是作者發(fā)現(xiàn)常用的立體三角化范式在無人機(jī)場景中不起作用。主要原因是圖像畸變現(xiàn)象和立體三角化中的內(nèi)部幾何模糊導(dǎo)致的位置偏移問題，在無人機(jī)場景中很常見。為了解決這個問題，作者提出了一個新穎的位置校正模塊（PCM），來明確預(yù)測圖像和目標(biāo)無人機(jī)實際位置之間的偏移量。此外，作者設(shè)計了一個動態(tài)迭代校正（DIC）機(jī)制，進(jìn)一步改善對難樣本的校正效果。大量實驗證實了作者方法的有效性和優(yōu)越性。

責(zé)任編輯：彭菁