IEEE 2023 I 立體三角測量為什么在無人機距離估計中不起作用？（1）

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

作者的主要貢獻有：

• 形式化了無人機距離估計任務并提出了UAVDE數據集。

• 發(fā)現位置偏差問題是損害無人機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）機制的新修正方法，以準確預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償。

• 在UAVDE數據集上對所提出的方法進行了實驗評估，結果證明了作者方法的有效性和優(yōu)越性。

本文回顧了與作者的工作相關的經典和基于學習的立體距離估計的文獻。經典的立體匹配算法通常包括匹配代價計算、代價聚合、優(yōu)化和視差細化四個步驟，利用不同的像素表示和后處理技術可以在相對簡單的場景中取得良好的效果。然而，在復雜的無人機場景中，現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。為了應對這些問題，近年來的研究者開始利用深度學習技術來提取像素級特征并進行匹配。學習到的表示在低紋理區(qū)域和各種光照下表現出更強的魯棒性。有些方法還試圖在代價聚合過程中結合語義線索和上下文信息，取得了積極的結果。然而，基于學習的方法需要依賴以激光雷達密集注釋的高質量訓練數據，在無人機場景中很難獲得這種關鍵的密集注釋數據。因此，本文提出了一種新的數據集，用于無人機距離估計，該數據集利用UWB傳感器獲取距離，并發(fā)現了無人機距離估計中的關鍵問題-位置偏差，并提出了一種新的位置修正方法。

本文介紹了一個名為UAV Distance Estimation (UAVDE)的新穎無人機距離估計數據集。數據集使用一架AMOV P600記錄型無人機和一架DJI M200目標無人機進行立體圖像采集。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，并劃分為訓練、驗證和評估三個子集。為了適應未見場景并解決模型過擬合問題，訓練子集與其他子集包含的場景不同。數據集的注釋過程中，通過UWB定位技術測量了目標無人機中心位置的距離，并手動標注了無人機邊界框以用于無人機檢測器的訓練。

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)。根據分析，作者使用4元組{θ、r、w、h}來預測位置偏移，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邊界框的大小。通過一個簡單的多層感知機 (MLP) 進行預測，得到校正量。在訓練過程中，采用了L2損失函數來優(yōu)化校正后的距離與真實距離之間的差異。PCM的訓練與無人機檢測器的訓練是相互獨立的，在推斷過程中，PCM只需附加到無人機檢測器的末尾進行位置校正。

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)進行迭代校正。為了確定是否需要進一步校正，本文設計了一個門控機制，根據數據樣本的難度自適應調整校正過程。在訓練過程中，使用絕對相對差異(Abs Rel)作為測量指標來確定難樣本，并使用交叉熵損失函數對門控模塊的輸出進行優(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，實現動態(tài)迭代校正。