XiaoMi-AI文件搜索系统
World File Search SystemDrones
无人机
摘要：控制人类居住区周围的植被可燃物是减少森林、建筑物和基础设施火灾严重程度以及保护人类生命的重要策略。每个国家在这方面都有自己的规定，但它们的共同点是通过减少可燃物负荷，我们反过来会降低火灾的强度和严重程度。使用无人机 (UAV) 获取的数据与其他被动和主动遥感数据相结合，通过机器学习算法规划野外-城市界面 (WUI) 可燃物突破口的效果最佳。测试了九种遥感数据源（主动和被动）和四种监督分类算法（随机森林、线性和径向支持向量机和人工神经网络），以对五种可燃物区域类型进行分类。我们使用了无人机获取的非常高密度的光探测和测距 (LiDAR) 数据（154 条回波 · m − 2 和 5 厘米像素的正射镶嵌图）、来自 Pleiades-1B 和 Sentinel-2 卫星的多光谱数据以及机载激光扫描 (ALS) 获取的低密度 LiDAR 数据（0.5 条回波 · m − 2 ，25 厘米像素的正射镶嵌图）。通过使用随机森林 (VSURF) 程序的变量选择，对最终变量进行了预选择以训练模型。对这四种算法进行了比较，并得出结论，它们在训练数据集上的整体准确度 (OA) 方面的差异可以忽略不计。结合使用 Sentinel-2 和两个 LiDAR 数据（UAV 和 ALS），随机森林在训练中获得了 90.66% 的 OA，在测试数据集中获得了 91.80% 的 OA。尽管在训练步骤中 SVML（OA = 94.46%）和在测试步骤中 ANN（OA = 91.91%）获得了最高的准确率，但随机森林被认为是最可靠的算法，因为它由于训练和测试性能之间的差异较小而产生了更一致的预测。所用数据源之间的准确率差异远大于算法之间的差异。使用不同日期的点云和一年中不同季节的多光谱信息计算的 LiDAR 增长指标是分类中最重要的变量。我们的研究结果支持无人机在防火带规划和管理以及因此在预防森林火灾方面的重要作用。
GAO-24-106158，无人机
美国联邦航空管理局 (FAA) 通常要求无人机配备远程 ID 技术，FAA 将其描述为“数字车牌”。执法部门可以使用远程 ID 来识别和调查未经授权的无人机活动，这符合 FAA 使用远程 ID 帮助执法的目标。然而，GAO 发现 FAA 在支持部落、州和地方执法部门使用该技术方面的资源有限。GAO 联系的部落、州和地方执法机构对远程 ID 知之甚少，也不知道如何在调查中使用远程 ID。开发此类资源可以帮助 FAA 更好地支持执法部门使用远程 ID 的能力。此外，FAA 正在开发一个界面，将远程 ID 中的无人机注册信息提供给执法部门，但没有发布该信息的计划或时间表。与此同时，国土安全部 (DHS) 正在开发一款可链接到 FAA 界面的执法部门应用程序，但 DHS 同样没有这项工作的计划或时间表。因此，执法部门在获取追踪和调查未经授权的无人机活动所需的实时信息时可能会继续遭遇延迟。
无人机保护事业
AGL 高于地面 AOI 感兴趣区域 ARF 即将起飞 ATC 空中交通管制 BEC 电池消除电路 B-VLOS 超视距 CAA 民航局 CHDK Canon Hack 开发套件 CMOS 互补金属氧化物半导体 CW 顺时针 CCW 逆时针 DSM 数字表面模型 DJI 大疆创新 ESC 电子速度控制器 FL 飞行高度 FLIR 前视红外雷达 FPV 第一人称视角 GIS 地理信息系统 GPS 全球定位系统 GNSS 全球导航卫星系统 IATA 国际航空运输协会 ICAO 国际民用航空组织 KAP 风筝航空摄影 LiDAR 光检测和测距 LiPo 锂聚合物 LRS 远程系统 MP 百万像素 NATS 国家空中交通服务 NDVI 归一化差异植被指数 NGO 非政府组织 NOTAM 飞行员通知 OPTO 光隔离器 OSD 屏幕显示 PfAW 空中作业许可 PNP 即插即用 PPK后处理运动学 RC 无线电控制 RGB 红色、绿色、蓝色 RPAS 遥控飞机系统 RTF 准备飞行 RTH 返回家园 RTK 实时运动学 RTL 返回发射 SfM-MVS 运动结构多视角立体 TLS 地面激光扫描仪 TOW 起飞重量 UAV 无人驾驶飞行器 UTM 无人驾驶飞机系统交通管理 VFR 目视飞行规则 VLOS 视觉视线
数据驱动的无人机 - 新加坡
1。引入人工智能（AI）是现代技术进步不可或缺的一部分，许多人已将其应用于无人机导航系统。特别是这些分支之一，强化学习（RL）涉及一个代理商通过与环境互动来做出决策的代理。使用RL，对代理进行训练的环境通常是一个模拟器，它允许在不产生高成本的情况下进行大量培训实例。通过优化用于无人机导航的RL模型，用于监视，追捕和其他培训的无人机可以通过传统方法无法实现的准确性来执行复杂的任务。但是，RL的挑战之一是代理商用来改善其决策顺序的奖励功能的制作。在此项目中，正在探索大型语言模型（LLM）的使用，以帮助改善通常手动手动制作的RL模型的奖励功能。总而言之，该项目旨在调查在RL无人机模型中使用LLMS进行简单导航的潜力。2。文献综述2.1无人机导航中的自主权在近年来在AI和无人机开发领域取得了许多进步，其中包括使用深度学习来优化无人机导航。通过使用AI，无人机通过检测对象清楚地绘制其环境来解释其周围环境。这在其他实现中很重要，例如自动封闭空间中的导航（即（Kaelbling，1996年）。这个无需人工参与），避免碰撞和自动起飞和着陆。无人机中AI的其他用途包括在外国环境中优化轨迹和路径，根据地理特征区分环境，并计划三维非平面运动（Lee等，2021）。With drones increasing in popularity over the past decade, firms have invested efforts into AI implementations, with a notable example of Near-Earth Autonomy and National Aeronautics and Space Administration's (NASA) breakthroughs in self-piloted unmanned drones and autonomous systems, that have largely reduced the reliance on Global Positioning Systems (GPS) for drone navigation (NASA, 2020).2.2强化学习（RL）RL是深度学习的一个分支，涉及一系列基于代理商的探索和剥削的决策，其中“正确的”行动使代理人更接近实现其目标，得到了回报，并“不正确”的行动，这使代理商进一步实现了目标，以实现其目标，受到惩罚。通过与给定环境进行互动，代理可以通过从奖励功能中获得的奖励来识别“正确”和“不正确”的行动，此后继续选择采取行动序列，以提供最大的总体奖励并最大程度地减少整体罚款。这种奖励将是代理人达到最佳行为的加强。为了加快RL模型培训，使用了情节学习模型，在这些模型中，代理利用了过去的观察和动作来进一步学习，而不是每次从头开始。
无人机和人工智能
无人机和人工智能的起点 “可操作数据”是除强大可靠的无人机之外，无人机行业最重要的驱动力。无人机通常会生成大量数据——有时甚至超出我们的处理能力。只有当有方法快速处理数据且无需在此过程中投入额外精力时，无人机才能为用户增加价值。图像评估越快、越准确、越容易，效果就越好。将无人机与人工智能结合起来似乎是解决上述挑战的答案。如今，几乎每家从事数据处理、分析或“自主”飞行控制的公司都声称使用人工智能、机器学习或深度学习。但这些术语实际上是什么意思？它们之间有何关系？这些“术语”适用于哪些领域？下文旨在回答这些问题。一般来说，人工智能描述的是机器能够执行具有人类智能特征的复杂任务的能力，包括推理、解决问题、规划、学习以及理解和阅读人类语言等，如下图所示。目前，与机器学习、深度学习和运动规划相关的人工智能是最热门的话题，也将成为本出版物的重点。
人工智能无人机的现实
无人机通常被称为“枯燥、肮脏和危险”，但由于其能够执行多种任务，它正迅速成为世界各地军队增强力量的关键。术语“无人机”通常与无人驾驶飞行器 (UAV) 互换使用，它们大多指可手动操作或预编程的同一类空中设备。1 军用无人机通常用于各种任务，包括在冲突或有争议的环境中进行监视和高分辨率监控，但现在它们也被用于运送武器。一段时间以来，人工智能 (AI) 引入军事系统一直是头条新闻。2 各国一直在朝着这个方向建设能力和系统。在这种情况下，自主无人机呈现出丰厚的前景。无人机通常以其机动性、易于部署和在不同环境中的多功能性而闻名。据悉，它们可以提高工作效率和生产力，减少工作量和生产成本，并提高准确性。 3 无论它们的运行方式如何，无论是通过遥控器控制还是通过智能手机应用程序访问，与人类相比，它们都能够到达最偏远的地区和困难的地形，同时确保续航能力。
AeroGuard - 我们的无人机
› 能够消除 FAA 第 107 条规定下的各种威胁 › 非常适合保护大型户外聚会（如体育场和音乐会）免受多种同时发生的威胁 › 旨在防止违禁品走私和知识产权 (IP) 盗版 › 没有非法 RF 干扰，不会干扰手机、WiFi 或任何其他合法通信系统 › 完全受控地远离保护区进行处置，几乎消除了附带损害的可能性 › 超高最高速度和极快的响应时间 › 平民友好、不引人注目的操作 › 与现有安全措施和各种检测系统集成，包括雷达、EO/IR、声学和其他新兴技术 › 专门制造的重型机身，电子设备和控制装置专为容错而设计，在美国设计和制造 › 捕获目标的大小/重量可在飞行中立即传达给安全团队 › 地面控制站和拦截器馈送集成到现有的 CCTV 系统中 › 可扩展 - 100 多个拦截器可以同时攻击 100 多个目标 › 可与授权飞机互操作 ›快速、无需熟练的重新加载操作 › 符合 ITAR 标准，ECCN 9A991.b › 美国和国际专利正在申请中