无人机边缘计算与人工智能融合的调查：机遇与挑战

AI“描述了机器的工作流程，如果由人类执行则需要智能”。最近，机器人/无人机已经使用AI来完成各种智力任务。相对于传统的云计算，边缘计算将计算服务（例如存储和处理）拉近到网络边缘的最终用户。计算不是在远程云服务器上进行，而是可以在附近的边缘服务器、设备（例如无人机/无人驾驶飞机）上进行，或者两者结合进行。边缘AI可以概括为AI与边缘计算的融合。

无人机的关键技术挑战是自主导航、电源管理、安全和隐私、编队控制、计算机视觉和通信。

自主导航可进一步分为定位和测绘、路径规划和防撞系统。无人机的重要应用包括配送系统、精准农业、民用基础设施检查、搜索和救援行动、用作空中无线基站和无人机灯光秀。

传统的云 AI 计算发生在云服务器上，与边缘 AI 相比，它提供了更多的处理能力和存储空间。但边缘 AI 比云 AI 有许多优势。特别值得注意的是，延迟更低、可靠性更高、安全性和隐私性更高、成本更低、能耗更低。

已确定的无人机技术挑战具有某些特别重要的边缘 AI 优势。例如，自主导航（尤其是防撞系统）很大程度上依赖于边缘 AI 的较低延迟。考虑到无人机的飞行速度，如果不能在几分之一秒内检测和避开障碍物，则很有可能发生碰撞。边缘 AI 相对于云 AI 提供的改进延迟可能是碰撞与不碰撞之间的区别。不同的应用程序也更多地依赖于特定的技术挑战。例如，精准农业（例如作物管理）主要依赖于计算机视觉的技术挑战。

虽然边缘 AI 对无人机及其技术挑战/应用的好处是无可争议的，但在为无人机实施边缘 AI 时仍面临许多挑战。无人机实施边缘 AI 的关键挑战包括开发分布式训练算法、安全和隐私、资源分配和实时要求。但是，可以确定每个实施挑战的可能解决方案。例如，实施挑战“实时要求”概述了无人机经常需要反馈才能“实时”（例如，在跟踪快速移动的汽车时）。

但有时，收集数据、训练模型和决定行动可能需要太长时间。一种解决方案是通过“模型修剪”和“知识提炼”来减少推理时间。边缘人工智能应用于无人机的未来研究方向也可以通过面临的挑战和经验教训来定义。

无人机和边缘 AI 是令人兴奋且活跃的研究领域。

无人机系统的关键技术挑战分为六大类：1）自主导航；2）编队控制；3）电源管理；4）安全和隐私；5）计算机视觉；6）通信

自主导航可以指人类远程操作但具有一些简单的机载算法来接管并防止其发生碰撞的车辆导航，也可以指无需任何人类干预即可从 A 点到达 B 点的全自动车辆导航（例如，用于包裹运送的无人机）。根据应用，车辆通过采用定位和地图绘制、路径规划和/或防撞来自主导航。例如，在仅使用一些简单机载算法的无人机远程操作的情况下，只采用防撞。而在完全自主的情况下，需要定位和地图绘制、路径规划和防撞。因此，本文从“定位和地图绘制”、“路径规划”和“防撞系统”的角度介绍自主导航。

a）定位和映射：

对于机器人而言，测绘是构建特定区域地图（二维或三维）的过程，而定位是确定机器人相对于参考系的位置和方向的过程。对任何机器人来说，准确定位都是一项艰巨的任务，而对于无人机等空中机器人来说，由于环境的三维特性，定位尤其困难。为了使这项准确定位任务更容易，无人机通常严重依赖全球定位系统 (GPS)，这样 GPS 位置测量值与无人机机载惯性测量单元 (IMU) 测量值相融合，即可对无人机的姿态（位置和方向）进行准确估计。这种方法效果很好，因为 GPS 数据可以补偿 IMU 累积误差（由于其测量值漂移造成）。

然而，在很多情况下，GPS 服务不可用/不可靠，例如室内（工厂、仓库等）、紧急/灾后情况[65]、高树/建筑物附近或水体附近。这些环境被恰当地称为 GPS 拒绝环境，由于上述 IMU 累积误差，仅使用 IMU 测量在此类环境中导航无人机并实现精确定位非常具有挑战性。

解决此问题的最常见方法是基于视觉的解决方案，该解决方案通过结合 IMU 和视觉传感器测量值，无需 GPS 即可准确定位 UAV。当将两个测量值（IMU 和视觉传感器测量值）融合时，可以获得改进的姿态估计。这些基于视觉的解决方案中最著名的是视觉 SLAM（模拟定位和地图构建）和视觉里程计 (VO)。SLAM 算法旨在估计机器人的姿态，同时构建探索区域的表示（视觉 SLAM 算法依赖于视觉传感器）。VO 通过分析运动对一系列图像造成的变化来逐步预测 UAV 的姿态。

b）路径规划：

无人机路径规划是确定无人机从起点到目标点的路径的问题。路径规划技术有很多种，但它们都试图根据性能指标（如最短时间、最短路线或最低工作成本）找到最优（或接近最优）路径。

正如人们所料，路径规划和防撞的整合至关重要。它们经常一起使用，因此防撞通常被称为“局部路径规划”，而路径规划则被称为“全局路径规划”。其理念是，全局路径规划在考虑整个环境的同时生成最佳路线，而局部路径规划在检测到环境变化时进行局部处理，并相应地执行防撞操作。一旦执行了防撞操作，就会尝试返回全局路径。

无人机路径规划（全局路径规划）技术可以分为多种不同的类型。其中一个例子是 Aggarwal 和 kumar的研究，其中将路径规划技术分为代表性技术、合作技术和非合作技术。

c) 防撞系统：

由于无人机在空中飞行，而且通常速度很快，因此它们存在很高的碰撞风险，无论是它们撞上其他物体还是其他物体撞上它们。防撞系统对于无人机避免此类碰撞并确保安全飞行至关重要。

Yasin等人将防撞系统分为两个主要类别：1）感知和 2）行动，其中感知是首要的。在感知阶段，传感器感知环境并检测障碍物，在行动阶段，防撞方法会利用这些信息来避免碰撞。感知细分为主动传感器（发射/发射然后接收自身源的传感器）和被动传感器（仅读取其他源释放的能量的传感器）。然后，主动传感器细分为声纳、激光雷达和雷达，被动传感器细分为摄像头和红外线。

在行动阶段，防撞方法分为“四大方法”：1）几何；2）优化；3）力场；4）感知与规避。“几何”防撞方法使用无人机和障碍物的速度和位置信息来确保不会违反最小距离，通常涉及轨迹模拟。“优化”防撞方法使用已知的障碍物参数来找到最佳（或接近最佳）路线。“力场”防撞方法操纵吸引力/排斥力，“感知与规避”方法根据障碍物检测在运行时做出规避决策。

AI 对自主导航的最大贡献是计算机视觉算法，它对于三大挑战至关重要：1）定位和制图；2）路径规划；3）防撞系统。计算机视觉算法（特别是深度学习算法）以及相机技术（特别是 RGB 相机）的最新进展使得无人机能够使用高分辨率、轻便且廉价的机载相机有效检测物体。在定位和制图方面，特别是在没有 GPS 数据的情况下，在视觉方法（例如 SLAM 和 VO）中严重依赖计算机视觉算法的使用（在第 III-A1a 节中讨论）。此外，在路径规划和防撞系统中，计算机视觉算法对于快速检测迎面而来的物体以避免碰撞至关重要。

与传统云模型下的 AI 相比，使用边缘 AI 可以给自主导航带来很多好处。虽然边缘计算的所有一般优势（更低的延迟、更高的可靠性、安全性和隐私性改进、降低成本和降低能耗）以及所有一般的额外边缘 AI 优势（进一步的能耗/隐私/通信改进）都适用于此，但与传统云 AI 相比，边缘 AI 提供的更低延迟和更高可靠性对于自主导航问题尤其重要。因此，本节简要讨论了边缘 AI 的优点和缺点。

a) 更低的延迟：

使用传统云计算的人工智能可能会涉及在无人机和中央云服务器之间发送和接收数据的相当长的传输延迟。边缘人工智能使大部分处理都在终端设备或附近的边缘服务器上进行，与远程云相比，与之相关的传输延迟要短得多。即使存在第II-B 节中描述的情况，即某些应用程序需要边缘服务器与核心云通信以进行数据同步，传输延迟也不大。这是因为在边缘进行预处理会减少总体流量负载（即从每个设备/无人机发送的数据更少）。

防撞系统是实时延迟敏感挑战的一个典型例子，它特别依赖于低延迟，因此边缘 AI 可能是必不可少的。检测和避开迎面而来的物体的过程（除非无人机和迎面而来的物体移动非常慢）需要在几分之一秒内完成。如果这个过程耗时太长，就会导致坠机，造成重大经济损失或更糟（例如致命）的影响。对于路径规划、定位和地图绘制，传统 AI 的延迟在大多数静态环境中可能就足够了，尤其是在人口稀少或高海拔地区。话虽如此，考虑到高延迟对飞行速度的限制，边缘 AI 改善的延迟仍然是一个显著的好处。

b)提高可靠性：

在传统云计算模式下运行人工智能依赖于中央云服务器的可靠性。如果中央云服务器无法访问/发生故障，可能会造成灾难性的后果（例如崩溃）。边缘人工智能出现这种情况的可能性要小得多，因为处理发生在离用户更近的地方（边缘服务器/设备上），这意味着网络中断的可能性大大降低。如果边缘服务器确实发生故障，另一台服务器应该能够提供服务，即使不能，终端设备也可以自行处理大量请求，并且仍然可以访问本地存储的部分数据。

当使用传统云计算模型下的人工智能时，中央云服务器无法访问/宕机可能会导致坠机，因为无人机视频源将无法分析，并且与无人机碰撞的迎面而来的物体将无法被检测到。使用传统的云人工智能，路径规划、定位和地图绘制可以在没有中央云服务器的情况下应对稍长的时间，但如果这种连接丢失持续很长时间，则在空中停转而无法完成任务或坠机仍然是不可避免的。

c）缺点：

边缘人工智能有两个显著的缺点会影响自主导航：某些地方的网络设备明显较少，而在这些地方实施、修复或管理网络设备的技术人员较少。换句话说，在人口较少的地区和/或财力或技术资源较少的地区，网络上的边缘服务器可能较少，而在许多这样的地区，能够实施、修复和管理边缘网络的技术人员可能较少。这会影响自主导航，因为可能会依赖边缘服务器，这意味着边缘人工智能的积极影响会减弱，特别是在延迟和可靠性方面。

此外，自主导航的另一个缺点是需要在不同的边缘服务器之间卸载无人机任务。当无人机离开特定边缘服务器的服务范围时，该服务器可能需要将无人机卸载的任务迁移到其他边缘服务器。由于无人机飞行速度很快，这可能会限制无人机的任务性能。

在执行无人机任务时，多架无人机协同工作通常比单架无人机单独完成任务更可取（见第 II-A 节末尾）。受多架无人机协同工作优势的应用（如运输大型有效载荷或在大面积区域搜索物体/人员）的推动，近几十年来，人们对编队相关研究进行了广泛的探讨，其中编队控制是最活跃的研究课题。

编队控制的灵感来源于自然界中鸟群等自组织，它是对多个机器人“编队”的协调控制。编队被定义为通过控制器规范相互连接的代理网络，其中每个代理必须与相邻代理保持关系。编队控制大致分为两类：1) 领导者-追随者和 2) 无领导者。

a）强化学习：

强化学习 (RL) 是机器学习的一个领域，因此也是人工智能的一个领域。它可以被描述为学习如何最大化数值奖励信号，其中学习者没有被给予要采取的行动，而是必须尝试这些行动并推断哪些行动会带来最大的奖励。RL 对无人机的联合运动和通信特别有用。因此，许多论文，尤其是最近的论文，研究了 RL 在无人机编队控制中的应用。例如，Knopp等人 提出了一种使用 GQ（λ ) 用于领导者-追随者形成控制场景的 RL 算法。

b）深度强化学习：

RL 面临的一个问题是，RL 算法从每个状态中学习并确定最佳奖励路径（即策略）可能会非常困难。RL 可以与深度学习相结合，产生机器学习的另一个子领域，称为深度 RL (DRL)。DRL 可以使用神经网络来处理更高维度的状态/动作空间。例如，Conde等人使用 DRL 来驱动多架无人机到达编队，这样就可以使用深度神经网络来估计特定状态的优劣。

c）多智能体系统和强化学习：

多智能体系统 (MAS) 是一种解决复杂问题的方法，将问题细分为较小的任务。每个单独的任务都分配给称为“智能体”的自主实体，每个智能体根据多个输入选择适当的操作来解决任务。输入包括其操作历史、与相邻智能体的交互及其目标。RL 可以很好地应用于此类 MAS。例如，刘等人提出了一种基于 RL 的分布式无模型解决方案，用于解决 MAS 领导者-追随者形成控制问题。

与自主导航的情况一样，当采用边缘人工智能而不是传统云计算模式下的人工智能时，编队控制有很多好处，因此边缘计算的大多数一般优势（更低的延迟、更高的可靠性等）和一般的额外边缘人工智能优势（例如，进一步改善能源消耗）都适用。同样，本节将重点介绍特别令人感兴趣和重要的优势，这对于编队控制问题来说就是降低成本。

a)降低成本：

当提到无人机编队时，我们指的是无人机群，它们会产生大量的流数据，这些数据不断从无人机传输过来进行处理。边缘人工智能既可以通过机载预处理减少需要发送到服务器的数据量，又可以通过将数据发送到边缘服务器（而不是更远程的集中式云服务器）来减少数据发送距离。减少的数据量特别有助于降低运营成本，因为在处理大量数据时，云端计算成本可能相当高。话虽如此，启动和维护分布在广阔区域的边缘设备的成本可能相当高，应该予以考虑。

无人机的一个众所周知的问题是电池寿命有限，进而导致飞行时间有限。除了提高无人机的能源效率外，还可以通过使用创新方式（即能量收集技术）来获取更多能量，从而延长电池寿命。常见的能量收集技术包括太阳能、无线充电和电池更换。

a)太阳能：

太阳能具有成本效益和环保的特性，使其成为一种理想的能源。太阳能电池对无人机特别有用，因为无人机需要在高空飞行较长时间。基于太阳能的无人机通常使用固定电池作为辅助电源，白天通常不会过分依赖电池，但在夜间或恶劣天气条件下，电池电源会变得非常重要。话虽如此，表面积、重量限制和对光强度的依赖是商业太阳能无人机应用的主要限制因素。

b）无线充电：

无线充电尚未成为无人机的标准功能。话虽如此，近年来，人们已经进行了大量研究，以使无人机无线充电成为可能。探索的技术包括基于电容耦合的技术、基于磁共振的技术，甚至通过无线电力传输从电力线充电。

人工智能可以通过规划和优化算法来解决电源管理问题。例如，找到无人机行驶的最佳路线以最小化功耗的算法，或选择最佳充电/电池交换站的算法，其中考虑当前电池电量和与当前路线的偏差。例如，张等人 使用 DRL 找到了到充电站的最快路径。

此外，卷积神经网络（CNN）可用于识别充电站及其着陆点，循环神经网络可用于准确预测无人机电量耗尽，而人工智能也有助于提高无人机的效率，从而可以用更少的电量实现更多目标。

与第 III-A3 节和第 III-B3节一样，边缘计算的一般优势和一般额外的边缘 AI 优势也适用。边缘 AI 降低能耗的优势在这里尤其重要，因此将进行讨论。

a) 减少能源消耗：

如第 III-B3 节所述，边缘 AI 既可以通过机载预处理减少需要发送到服务器的数据量，又可以通过将数据发送到边缘服务器（而不是更远程的集中式云服务器）来减少数据发送的距离。除了降低成本外，这还可以降低能耗，因为将数据传输到远程云会产生大量能耗。通过减少数据大小和传输距离，可以降低总体能耗，这对于无人机来说尤其重要，因为电池是一种紧张的资源。此外，当使用边缘 AI 时，通过无人机群内的分布式联邦学习可以进一步减少向服务器发送数据以及与之相关的能耗。例如，Zeng等人 提出了一个基于分布式联邦学习的无人机群框架，该框架具有一个“领头无人机”和几个“跟随无人机”。所有跟随无人机都根据其收集的数据在本地训练模型，然后每个跟随无人机将这个本地训练的模型发送给领头无人机。这架无人机将所有模型聚合起来，创建一个全局模型，然后将其发送给后续的无人机。

安全和隐私是所有数字系统非常重要的问题，特别是对于无人机[89]。与其他侵犯隐私的设备相比，无人机拥有独特的灵活访问技术（这对犯罪分子来说很有吸引力），同时也容易受到针对无线链路、网络元素、物理元素以及网络和物理元素之间接口的攻击。

a) 安全：

虽然许多讨论无人机安全领域的论文讨论的是相同的问题，但采取的方法不同。

Shakhatreh等人将无人机系统的攻击载体分为对通信链路、无人机本身、地面控制站 (GCS) 和人类的攻击。他们还定义了无人机系统的三大网络安全挑战：1）机密性挑战（指保护信息免受未经授权的访问）；2）可用性挑战（指确保无人机系统服务和数据按预期工作并可被经过身份验证的用户访问）；3）完整性挑战（指确保信息的真实性）。Ullah等人 简要解释了攻击者（内部/外部、恶意/合理、主动/被动和本地/扩展）和攻击（例如，伪装、拒绝服务和 GPS 欺骗）的分类。然而，本节从传感器和通信链路的角度分析了无人机攻击。

传感器获取的信息会改变无人机的行为，对安全性有重大影响。GPS 传感器是一种常见的攻击传感器，因为它通常用于获取准确的位置信息。攻击无人机 GPS 的最常见方式是“干扰”或“欺骗”。干扰是指未经授权的一方广播干扰信号以阻止接收各种信号。欺骗可以是未经授权的一方记录卫星信号并传输给无人机（中继器型欺骗），也可以是使用某些程序根据真实信号生成信号（生成型欺骗）。解决 GPS 干扰的一种方法是采用替代导航方法，例如使用采用 SLAM 或 VO 的视觉和惯性导航系统（参见定位和地图绘制部分，第 III-A1a 节）。解决 GPS 欺骗的方法包括对 GPS 信号的认证，例如检查表示信号行进时间的 GPS 可观测量，或检测信号功率/可观测量的突然变化，这可能表明欺骗攻击的开始。其他易受攻击的常见传感器是可能被欺骗的双目视觉传感器（例如，通过使用指向地面的激光来诱导特征）或可能被超声波攻击的 MEMS 陀螺仪（例如，使无人机失去平衡）。

在通信链路方面，无人机与地面站的交互依赖于通信链路，不安全的链路容易受到攻击。例如，无人机与地面终端的通信方式之一是WiFi，WiFi容易受到Deauth攻击，导致无人机与终端之间的连接中断，无人机控制密码被破解。解决方案包括：无人机失联10秒后询问用户是否自动返航；使用无线电信号替代WiFi信号。

b) 隐私：

无人机侵犯隐私既容易，又很难捕获入侵的无人机。防止无人机侵犯个人隐私主要有两种解决方案。一是在禁飞区数据库中注册家庭住址，但这仍然不能确保入侵的无人机不会飞入禁飞区。第二种解决方案是使用技术/系统在空间内检测、跟踪和投放无人机。

此外，恶意软件还可以利用无人机收集个人信息。例如，史努比恶意软件可以安装在无人机上，用于收集个人信息并跟踪/分析使用智能手机的个人。无人机需要不断发展以应对这种不断演变的恶意软件。

人工智能既可以用于帮助防止无人机受到攻击，也可以用于上面简要讨论的系统，用于防止无人机本身侵犯人们的隐私（通过飞越/靠近禁飞区）。关于后者，到 2026 年，“全球反无人机市场”预计将达到美国$ 25.97 亿。日本电气公司的监视系统就是一个例子，它使用声学、热学、红外和/或无线电通信传感器/探测器来感知入侵的无人机，并为跟踪系统所有者提供丢弃/捕获无人机的选项。检测无人机的算法特别采用了人工智能，例如，张等人 提出了一种基于人工神经网络 (ANN) 的无人机检测算法。

对于前者（防止无人机本身受到攻击），Challita等人认为，通过发现不良/异常的无人机运动来检测潜在攻击非常重要。Challita等人 以 RNN 为例，RNN 可以预测无人机的运动，从而可以检测到无人机的异常运动。此外，人工智能防护可以利用针对恶意文件训练的模型来保护无人机免受零日攻击。

与之前针对其他技术挑战的“边缘 AI 的作用”部分一样，边缘计算的一般优势和一般额外的边缘 AI 优势也适用。显然，边缘 AI 的安全和隐私优势是部分相关的，因此进行了讨论。

a) 提高安全性：

通常，在传统云计算模式下使用人工智能需要将所有数据传输到中央服务器。这被认为是“高度脆弱的”，因为一次攻击（例如 DDoS 攻击）就可能造成严重破坏。使用边缘人工智能意味着将数据处理分布在多个设备/服务器上。尽管必须承认这种数据处理的分布增加了潜在的攻击面，但风险更加分散，从而成功攻击（如 DDoS 攻击）的影响减小。此外，由于边缘人工智能支持在边缘进行处理，发送的数据更少，因此被拦截的数据也更少。

在实际关闭攻击方面，边缘计算的分布式和分散性意味着边缘人工智能系统的脆弱部分比传统的云端人工智能系统更容易关闭，而传统的云端人工智能系统通常需要关闭整个网络。

将区块链集成到无人机系统中可以带来许多安全优势。例如，区块链可以确保每架无人机都拥有区块链的副本，从而降低无人机网络受到信号干扰的脆弱性。在这种情况下，各个无人机使用其区块链副本中包含的其他无人机飞行路线的详细信息来确定自己的路径。另一个例子是区块链如何检测更改网络信息的恶意无人机。恶意无人机可能最初是无人机网络的一部分，后来被劫持，或者稍后进入网络。区块链可以通过区块链共识算法帮助防止此类攻击，任何无人机都可以报告可疑活动。如果与无人机相矛盾的条目数量大于某个阈值，则该无人机被称为恶意。

b) 提高隐私性：

边缘 AI 可实现实时计算。如果不可避免地要拍摄/记录侵犯隐私的图像，则无需将数据发送并存储到远程集中式云服务器，而是可以在无人机上或边缘服务器上进行本地处理。这样做的意义在于，此类数据不太可能被黑客入侵，也不必存储在远程集中式云服务器上。

联邦学习和区块链都可以提高无人机通信的安全性。联邦学习可以避免从设备/无人机发送任何原始数据（只需发送本地模型更新）。区块链可以加密数据并将其存储在区块链中，这样没有正确解密密钥的任何人都无法访问数据。此外，区块链可以通过在区块链块内写入和更新来保护无人机网络中的四种主要数据类型（无人机标识符、飞行路线控制、传感器数据和飞行时间表）。

c）缺点：

如安全部分（第 III-D3a 节）所述，应该注意的是，在多个边缘节点上分布数据/数据处理具有增加潜在攻击面的缺点。即使采用基于区块链的系统，每架无人机都有一份分布式账本的副本，这意味着一些敏感信息会传播到系统中的所有无人机。另外，应该注意的是，在基于区块链的无人机群中，如果群中超过一半的无人机被黑客入侵，那么整个群就可以被控制（这种攻击被称为 51% 攻击）。

计算机视觉的目的是让计算机从视觉信息（无论是单幅图像还是一系列图像）中理解环境。近年来，人们对自动理解无人机收集的视觉数据领域的兴趣日益浓厚，在大多数无人机应用中（从航空摄影到 SAR 操作），计算机视觉发挥着至关重要的作用。

从计算机视觉的角度来看，此类应用的核心任务是场景解析。不同的应用需要不同级别的场景解析，从定位物体到确定物体的精确边界，再到识别物体。无人机计算机视觉应用包括物体检测、物体识别、物体跟踪、防撞、自主导航和 3-D 重建。此类图像处理可以在服务器（边缘或中央云）上远程完成，也可以在无人机上（嵌入式）完成。

a) 远程计算机视觉处理：

无人机通常不具备处理能力来处理无人机摄像头拍摄的图像，因此，处理需要在不同位置进行。从延迟的角度来看，理想的处理地点是边缘服务器，尽管计算机视觉也可以在更远的集中服务器上处理。

b）实时嵌入式计算机视觉处理：

如果目标是使无人机真正实现自主和可靠，那么实时嵌入式计算机视觉处理比远程计算机视觉处理更可取，因为远程处理需要高带宽、最小延迟和极其可靠的无线链路，而这些并不能总是得到保证。

无人机实时嵌入式计算机视觉处理最突出的限制是机载计算能力。Van Beeck等人 指出，最先进的无人机计算机视觉算法的计算要求经常与硬件资源限制相冲突。

在计算机视觉技术中，人工智能的使用并不是强制性的，例如 Petricca等人 可以根据包含某些红色成分的像素数量进行锈蚀检测。尽管如此，尽管基于人工智能的技术可能需要大量数据集才能获得最佳结果，但计算机视觉应用大量使用人工智能。与计算机视觉最交叉的人工智能领域是深度学习。

a）深度学习：

根据 Lecun等人的研究，深度学习使由多个处理层组成的计算模型能够学习具有多个抽象级别的数据表示。前几层的目的是学习边缘等低级特征的检测，后几层的目的是将特征组合成更完整的表示。深度学习在无人机计算机视觉中的应用的一个例子是 Ye等人 提出了一种新方法，该方法采用深度学习分类器来检测和跟踪其他无人机。另一个例子是 Padhy等人 [107]提出了一种方法，该方法使用 CNN 模型来帮助无人机在没有 GPS 的室内走廊环境中自主导航。

边缘 AI 在计算机视觉中的作用涉及边缘服务器和无人机上的计算机视觉处理。当 AI 处理可以在边缘服务器或设备上完成（而不是在传统的云模型下）时，边缘计算的所有一般优势和一般额外的边缘 AI 优势都适用。低延迟的优势对于计算机视觉应用尤其重要，因此将成为重点。与 AI 的作用部分（第 III-E2 节）一样，本节也将特别强调深度学习，但重点是嵌入式深度学习，因为这尚未讨论过。

a) 更低的延迟：

如第 III-A.6 节所述，采用传统云 AI 的无人机在与中央云服务器之间发送和接收数据时，传输延迟会相当长。与远程云相比，边缘 AI 可在终端设备或附近的边缘服务器上完成大部分处理，传输延迟明显更短。即使存在第 II-B 节所述的情况，某些应用程序需要边缘服务器与核心云进行通信以进行数据同步，但由于边缘的预处理，总体流量负载较小，因此传输延迟并不显著。

大多数计算机视觉应用（从物体检测到物体识别到物体跟踪到防撞到自我导航）都需要低延迟，因为如果不满足某些延迟标准，物体就会丢失/撞上。

b）深度学习：

根据 Van Beeck的说法，在专注于无人机机载实时图像处理的“UAVision2020”研讨会上，所有被接受的研讨会论文（涵盖广泛的不同应用）都使用了深度学习。Castellano等人 和 Zhao等人 是使用深度学习的很好的例子，他们都描述了使用 CNN 进行人群计数或理解。其他例子包括 Stad和 Zhang等人使用深度学习进行对象跟踪，Peralta等人 使用深度学习进行 3-D 重建。最近的例子包括 Onishi 和 Ise使用 CNN 方法使用无人机 RGB 图像构建树木识别和映射系统，Kung等人 提出了一种基于图像的建筑物缺陷（如裂缝）自动检测的 CNN 模型。

{