Работы автора

Статья посвящена решению актуальной проблемы покрытия территории при помощи беспилотных летательных аппаратов (БЛА) с использованием мобильных зарядных станций. Современные практические задачи покрытия территории требуют одновременного участия нескольких БЛА с целью оптимизации временных затрат в ходе миссии. Другим ограничивающим фактором в контексте охвата территории с использованием БЛА является длительность автономной работы этих систем. Из-за ограниченной дальности полета на одном заряде батареи может возникнуть необходимость в использовании зарядных станций для завершения миссии охвата. Статичные зарядные станции позволяют зарядить аккумуляторы БЛА, однако это приводит к прерыванию миссии и увеличивает время, необходимое для завершения охвата. При использовании статичных зарядных станций важно так же правильно выбрать их местоположение, учитывая доступные места для установки. При этом сам процесс установки зарядных станций требует времени, что делает их использование нецелесообразным в миссиях, где покрытие территории нужно осуществить в кратчайшие сроки, например, при спасательных или поисковых операциях. Мобильные зарядные станции, которые способны перемещаться по территории для оптимизации процесса заряда или замены аккумуляторов БЛА лишены этих недостатков. Возникает задача планирования траекторий движения не только для БЛА, но и мобильной зарядной станции. При совместном планировании движения повышается эффективность охвата, но одновременно возрастает и вычислительная сложность при поиске траекторий. В настоящей статье решается задача эффективного покрытия территории с использованием нескольких БЛА и мобильной зарядной станции при помощи генетического алгоритма. Для адаптации задачи к использованию генетического алгоритма предлагается и обосновывается способ формирования хромосомы, которая корректно отражает решение задачи и позволяет закодировать траектории движения БЛА, мобильной зарядной станции, а также учитывает время и место проведения подзарядки или замены аккумулятора БЛА. Для исследования предложенного алгоритма разработано программное обеспечение на языке программирования Python. Адекватность предложенного подхода подтверждена результатами моделирования.

A computer vision based real-time object detection on low-power devices is economically attractive, yet a technically challenging task. The paper presents results of benchmarks on popular deep neural network models, which are often used for this task. The results of experiments provide insights into trade-offs between accuracy, speed, and computational efficiency of MobileNetV2 SSD, CenterNet MobileNetV2 FPN, EfficientDet, YoloV5, YoloV7, YoloV7 Tiny and YoloV8 neural network models on Raspberry Pi 4B, Raspberry Pi 3B and NVIDIA Jetson Nano with TensorFlow Lite. We fine-tuned the models on our custom dataset prior to benchmarking and used post-training quantization (PTQ) and quantization-aware training (QAT) to optimize the models’ size and speed. The experiments demonstrated that an appropriate algorithm selection depends on task requirements. We recommend EfficientDet Lite 512×512 quantized or YoloV7 Tiny for tasks that require around 2 FPS, EfficientDet Lite 320×320 quantized or SSD Mobilenet V2 320×320 for tasks with over 10 FPS, and EfficientDet Lite 320×320 or YoloV5 320×320 with QAT for tasks with intermediate FPS requirements.