ASMAv2与OpenVINO的开源项目

描述

灵感

几年来，我们一直在制造和飞行无人机。

我们在 DJI Tello 的基础上构建了一个初级版本来测试它的可行性，它运行良好。

我们现在有一个稳定的 2.0 版本的飞行，并正在努力获得自主能力。

我们是如何建造的

该应用程序的核心使用卷积神经网络来检测行人。我们正在努力添加更多模型，但截至目前，我们使用来自英特尔 OpenVINO 模型动物园的预训练 SSD MobileNet V2 person-detector-retail-0013，该模型在 MS COCO 数据集上进行了训练以进行概念验证。我们提取该模型的“人”类作为行人检测器。

在输出视图中，提供了一些数据可视化，以便用户更好地了解物理距离措施的实施情况。数据分析和可视化可以帮助决策者识别高峰时段，检测高风险区域，并采取有效行动，尽量减少违反社交距离的行为。

移动代理由自主无人机组成。该无人机体积小、结构紧凑，可装入 250mm*250mm*350mm 的立方体中。板载 Raspberry Pi 与 4G 模块相结合，可实现远程操作。该系统使用 rosbridge 和 roslibjs 来设置远程终端，帮助我们通过网络浏览器与无人机进行通信。带有 Ardupilot 自动驾驶仪堆栈的 UBlox 7M GPS 模块可实现自主导航。

OpenVINO 用法

该项目的深度学习推理是在 OpenVINO 的帮助下完成的，从而将推理转移到英特尔神经计算棒上。为了使系统扩展，我们可以使用英特尔 MYRIAD FPGA 并且仍然能够使用相同的代码。

安装说明

Github 存储库中详细提供了所有安装步骤。

我们遇到的挑战

最初，由于 COVID19 实施的封锁导致物流延迟，导致零件到达延迟，我们很难设置无人机。在所有部件到货后，我们花了将近 2 天的时间让无人机完全稳定地飞行。自行设计的框架首先使用 PLA 和 FDM 制造。这没有我们希望的力量。制造周期进行了几次迭代，并且由于大流行而进一步延迟。

在计算领域，我们最初从 Raspberry Pi 4 获得的结果非常糟糕，例如低 FPS 输出。因此，为了实现边缘计算，我们将英特尔神经计算机棒与 OpenVINO 结合在一起。现在性能要快得多。

我们学到了什么

构建这个项目帮助我们获得了开发自主系统的实践经验，这在以前仅限于模拟。在此开发过程中还获得了各种制造技术和组装技能。我们还学会了比较各种可用的硬件，并根据我们的应用和限制做出适当的选择。

ASMA 的下一步是什么

我们项目的美妙之处在于，这可以很容易地在闭路电视系统上实现，以准确监控和跟踪商场、公园和街道等拥挤场所的人员。这可以作为即插即用设备轻松实现，在 COVID 情况结束后，可以转换为基于 AI 的监视系统。