安全着陆区域检测的合成到现实流水线

随着无人航空器（UAV）向更高自主性水平发展，在非合作、非结构化环境中实现无辅助降落变得至关重要。安全自主着陆需要高保真语义分辨率来区分可通行地形与危险障碍物，但开发过程常因缺乏标注航拍数据集而受阻。本文提出了一种全面的感知和数据生成流水线，旨在弥合模拟与现实之间的差距，用于自主着陆任务。

研究团队引入了一个程序化合成数据引擎，通过域随机化生成逼真的城市场景，并自动生成语义标注。该引擎能够产生多样化的环境条件，包括不同光照、季节和地形变化，从而增强模型的泛化能力。基于Transformer的OneFormer架构被专门用于在合成数据上进行微调，其多头自注意力机制能够捕获全局上下文信息，实现精准的语义分割。

为了确保操作安全，流水线包含一个确定性着陆模块，该模块利用欧几里得距离变换（EDT）和动态推理逻辑，在障碍物周围保持严格安全缓冲的同时，识别出最大的内接安全着陆区域。该模块能够实时计算可着陆区域，并避免与障碍物发生碰撞。

在UAVid数据集上的定量基准测试展示了鲁棒的语义分割性能，而在真实世界无人机视频上的定性验证证实了系统能够在未见环境中识别无碰撞着陆点。结果表明，高保真程序化模拟有潜力消除手动标注需求，同时为自主无人机回收提供鲁棒的、可边缘部署的态势感知。这项研究为无人机在复杂环境中的安全着陆提供了可行的解决方案，有望推动无人机物流、巡检和应急救援等应用的发展。