FenixEdu™

Dissertação

{pt_PT=Detection of Unmanned Air Systems Using Multi-Camera Architectures} {} EVALUATED

Detalhes: {pt=O número de veículos aéreos não tripulados (UAVs) leves disponíveis no mercado está em crescimento. Devido às suas limitações de carga, UAVs pequenos têm restrições nos sensores que podem transportar e muitos fazem uso de câmeras monoculares ou de profundidade, por serem leves e energeticamente eficientes. UAVs pequenos são adequados para operar em ambientes com muitos obstáculos, que apresentam alto um risco de colisão, tornando essencial a capacidade de detectar obstáculos usando câmeras como sensores. Adicionalmente, devido à versatilidade e grande disponibilidade deste tipo de UAVs, eles podem também ser explorados para atividades perigosas ou criminosas. Desta forma, a capacidade de detectar e localizar UAVs maliciosos é desta forma também muito importante. Este trabalho concentra-se numa primeira parte na avaliação das capacidades de fusão de mapas de profundidade monoculares e stereo para detecção de obstáculos. Para o efeito, as estimativas de profundidade de uma rede neural são combinadas com medições de uma câmera de profundidade, a fim de obter um mapa de profundidade mais preciso e denso. O segundo foco deste trabalho consiste em avaliar a possibilidade de utilizar um grupo de UAVs equipados com câmeras monoculares para localizar um UAV intruso. É utilizada uma rede neuronal de deteção de objetos para detectar o alvo, e de seguida a sua localização é determinada por triangulação, sendo avaliados e comparados três algoritmos de triangulação distintos. , en=The number of lightweight Unmanned Aerial Vehicles (UAVs) available on the market is increasing. Due to limited payload, small UAVs are restricted in the sensors they can carry, and many make use of monocular or depth cameras, since they are lightweight and power efficient. These types of UAV are suitable for operating in cluttered environments, where they are at a high risk of collisions. Therefore, the ability to detect obstacles with camera sensors is essential. Additionally, because of their versatility and availability of access, these types of UAV can be exploited for dangerous or criminal activities. Being able to detect and localize malicious UAVs is then very important. This work will focus on evaluating the capabilities of monocular and stereo depth fusion for obstacle detection. Depth predictions from a neural network will be combined with measurements of a depth camera, in order to obtain a more accurate and dense depth map. The second focus of this work will be to evaluate the possibility of utilizing a group of UAVs equipped with monocular cameras to localize an intruder UAV. An object detector network will be employed for the task of detecting the target, and then the location of the target will be found by triangulation. Three distinct triangulation algorithms will be evaluated and compared.}
Keywords: {pt=Fusão Sensorial, Triangulação, Localização de UAV Intruso, Deteção de Obstáculos, en=Sensor Fusion, Triangulation, Intruder UAV Localization, Obstacle Detection}

Discussão: dezembro 2, 2021, 9:30