无人机救援系统简单解读

1. 源由

最近，关于《Rapid Response UAV Post-Disaster Location Network Incorporating ML, Radio Control, and Global Positioning System》进行了一些简单的讨论。

• PRlog - Rapid Response UAV network for Disaster Relief and Survivor Location using Machine Learning and GPS
• Ardupilot - Rapid Response UAV network for Disaster Relief and Survivor Location using Machine Learning and GPS

Rapid Response UAV Post-Disaster Location Network Incorporating

通过讨论和一些经验，重要信息抽取如下：

1. 快速响应

• 距离(通信)
• 速度(时间)
• 载重(物资)

2. 人员救援

• 目标定位(标记识别、红外、热成像)
• 急救物资投递

3. 实时监测

• 路径规划
• 灾情评估
• 现场视频

4. 物资投放

• 急救物资
• 通讯设备
• 生存用品

5. 环境评估

• 三维建模
• 环境数据
• 重建支持

6. 云平台

• 数据共享
• 决策支撑
• 部门协调

2. 场景分析

2.1 人员搜索

• 输入：

1. 最后定位
2. 搜索范围(圆、多边形)
3. 搜索路径规划(根据最后位置、搜索范围、地形、停机场，智能规划最有路线)
4. 搜索目标算法(红外热成像、主动定位标识、SOS求生信号等)

• 过程：

1. 根据最后位置、搜索范围、可用无人机数量和位置、当前电量、备降(充电)位置、搜索区域地形，规划最优路线
   • 多机同时搜索
   • 每台无人机搜索效率可能有差异(扫描宽度，滞空时间等)
2. 低空飞行系统备案
3. 指令命令无人机起飞，按照搜索路线进行搜索；
4. 发现疑是目标，进行定时盘旋记录；
   • 系统提示
   • 若操作人员介入，直接实时检视情况(提示算法分析目标信息)
   • 若无操作人员介入，定时盘旋记录，超时后，生成智能判断结果，推送后台处理；无人机继续按照搜索路线继续搜索；
   • 后台操作人员，根据生成工单的优先级，进行人工二次确认
5. 操作人员初步判定
   • 若不是搜索目标，进入下一个疑是目标搜索
   • 若可信度80%，其他无人机继续搜索；发现疑是目标无人机回到该目标上方进行实时跟踪；
6. 操作人员最终判定
   • 若可信度80%下，排除是搜索目标；继续搜索；
   • 若可行度80%下，确认是搜索目标；其他无人机返航
7. 根据无人机队，电量情况，不间断锁定跟踪POI，实时反馈信息

注：这里操作人员对目标的判断，可以作为有效样本，进入下一轮的机器学习迭代。因此，只要AI模型是收敛的，那么随着数据样本的增加，该人员目标判断将越来越准确。

• 输出：

1. 搜索工单：疑是人员位置
2. 锁定跟踪POI(Person Of Interest)
3. 算法分析目标信息(年龄、性别、当前位置等等)

Infrared camera finds 6-year-old lost in deep woods

2.2 紧急物资投送

• 输入：

1. 物资类型：医用、通讯、基本生活物品等等
2. 物资重量：2kg、3kg、5kg、10kg等等
3. 投放地点
4. 投放时间
5. 接收人员联系方式

• 过程：

1. 根据投放地点、时间、物品重量及类型，结合地形、无人机停机位置，生成投递工单(包括飞行路径)；
2. 低空飞行系统备案
3. 操作人员根据工单进行物品准备和挂载准备；
4. 指令命令无人机起飞，按照投递路线进行巡航；
5. 接近指定地点，预先提示接收人员；
6. 达到指定地点，系统提示，并按照指定任务进行投放；

注：投递过程，初期应该有操作人员监控，进行适当的位置控制，确保精准投放。将类似的样本记录到大数据，结合操作人员精准投递操作，可以让无人机今后的投递任务更加精准。

• 输出：

1. 投递工单：无人机停机场、物资类型、重量、投放地点、时间、接收人员联系方式
2. 投递物资

Drone drops water for family stranded in Kherson floods

2.3 环境评估

• 输入：

1. 评估区域
2. 评估时间
3. 评估内容：遥感数据内容(拍照、视频、地形等等)
4. 接收人员联系方式

• 过程：

1. 根据评估区域、时间、内容，生成投递工单(包括飞行路径)；
2. 低空飞行系统备案
3. 操作人员根据工单挂载智能遥感吊舱；
4. 指令命令无人机起飞，按照评估路线进行巡航，数据采集；
5. 后台智能算法监控实时信息，根据预判模型，自动进入细化数据采集任务；
6. 完成任务，返回无人机停机场；
7. 后台根据采集数据，通过集群服务器专家系统，智能生成评估报告；

• 输出：

1. 原始遥感数据
2. 智能评估报告

注：专家系统给出的报告，可以在各大高校不断地研究，进一步优化和提出新的理论，来充实专家系统的稳定性和可靠性！

Post Disaster Loss & Damage Assessment by Drone

3. 系统分解

• 无人机：多旋翼/VTOL
• 智能吊舱：红外、热成像、高清摄像、激光测距、投递载具、智能避障、目标检测等
• 通讯链路：卫星网络/4G LTE/LOS 通讯/中继等
• 云端平台：大数据(算法、模型)+专家系统
• 业务服务：工单系统、路线规划、飞行监控、飞行报备

从上面的分解过程，可以看到：

1. 无人机作为一个载具存在；
2. 智能吊舱涵盖了大量特殊应用，其主要依赖于传感器的应用；通过快拆方式可以更换；
3. 鉴于覆盖面积和地形的复杂性，根据具体项目进行通讯链路选择；
4. 边缘端计算在智能吊舱完成，但是大量数据的全面分析，涉及计算、存储资源的使用，在后台云端使用专家系统完成；
5. 具体业务，比如：人员救援、电力巡检等，可根据需求进行针对性业务开发

4. 初步总结

总的来说，希望上述问题，通过更多的开源项目搭建框架，实现原型。

在短平快项目需求下，这种复杂系统，确实需要大量的人力物力，但是在当前开源日益强大的情况下，我们有机会基于开源做好原型验证。并通过不断迭代，使得开源更加接近产品化要求。

在大数据AI学习、模型方面，是一种循环迭代优化的过程：

• 一开始，由于数据样本的缺乏，类似婴儿学习，慢慢积累，提高精度，准确度；
• 随着数据样本的增加，收敛模型可能发散或者无法进一步提高准确度，需要提出新的模型；
• 在新的模型驱使下，可能需要更多的传感数据，需要更好全生命周期运营；

因此，这些内容和我们之前考虑的一种部件生命期监测方法非常相似。相信未来各个领域将会有更多的专业的AI模型来解决现实问题。

5. 参考资料

【1】Ardupilot & OpenIPC & 基于WFB-NG构架分析和数据链路思考
【2】ArduPilot开源飞控之MAVProxy深入研读系列 - 2蜂群链路
【3】ArduPilot开源飞控系统之简单介绍
【4】PX4开源软件框架简明简介