描述

靈感

幾年來，我們一直在制造和飛行無人機。

我們在 DJI Tello 的基礎上構建了一個初級版本來測試它的可行性，它運行良好。

我們現在有一個穩定的 2.0 版本的飛行，并正在努力獲得自主能力。

我們是如何建造的

該應用程序的核心使用卷積神經網絡來檢測行人。我們正在努力添加更多模型，但截至目前，我們使用來自英特爾 OpenVINO 模型動物園的預訓練 SSD MobileNet V2 person-detector-retail-0013，該模型在 MS COCO 數據集上進行了訓練以進行概念驗證。我們提取該模型的“人”類作為行人檢測器。

在輸出視圖中，提供了一些數據可視化，以便用戶更好地了解物理距離措施的實施情況。數據分析和可視化可以幫助決策者識別高峰時段，檢測高風險區域，并采取有效行動，盡量減少違反社交距離的行為。

移動代理由自主無人機組成。該無人機體積小、結構緊湊，可裝入 250mm*250mm*350mm 的立方體中。板載 Raspberry Pi 與 4G 模塊相結合，可實現遠程操作。該系統使用 rosbridge 和 roslibjs 來設置遠程終端，幫助我們通過網絡瀏覽器與無人機進行通信。帶有 Ardupilot 自動駕駛儀堆棧的 UBlox 7M GPS 模塊可實現自主導航。

OpenVINO 用法

該項目的深度學習推理是在 OpenVINO 的幫助下完成的，從而將推理轉移到英特爾神經計算棒上。為了使系統擴展，我們可以使用英特爾 MYRIAD FPGA 并且仍然能夠使用相同的代碼。

安裝說明

Github 存儲庫中詳細提供了所有安裝步驟。

我們遇到的挑戰

最初，由于 COVID19 實施的封鎖導致物流延遲，導致零件到達延遲，我們很難設置無人機。在所有部件到貨后，我們花了將近 2 天的時間讓無人機完全穩定地飛行。自行設計的框架首先使用 PLA 和 FDM 制造。這沒有我們希望的力量。制造周期進行了幾次迭代，并且由于大流行而進一步延遲。

在計算領域，我們最初從 Raspberry Pi 4 獲得的結果非常糟糕，例如低 FPS 輸出。因此，為了實現邊緣計算，我們將英特爾神經計算機棒與 OpenVINO 結合在一起。現在性能要快得多。

我們學到了什么

構建這個項目幫助我們獲得了開發自主系統的實踐經驗，這在以前僅限于模擬。在此開發過程中還獲得了各種制造技術和組裝技能。我們還學會了比較各種可用的硬件，并根據我們的應用和限制做出適當的選擇。

ASMA 的下一步是什么

我們項目的美妙之處在于，這可以很容易地在閉路電視系統上實現，以準確監控和跟蹤商場、公園和街道等擁擠場所的人員。這可以作為即插即用設備輕松實現，在 COVID 情況結束后，可以轉換為基于 AI 的監視系統。