Остання редакція: 2025-06-14
Анотація
Трекінг об’єктів є важливим компонентом комп’ютерного зору в автономних безпілотних системах(БПС), таких як дрони, роботизовані платформи та автономні транспортні засоби. Сучасні алгоритми комп’ютерного зору на основі штучного інтелекту дозволяють ефективно виявляти, ідентифікувати та відстежувати об’єкти в реальному часі, що забезпечує безпеку, точність навігації та виконання цільових задач. У цій роботі розглядаються основні методи трекінгу об’єктів, їх інтеграція в системи БПС, а також перспективи розвитку в контексті автономних технологій.
Abstract: Object tracking is an essential component of computer vision in autonomous unmanned systems (AUS), such as drones, robotic platforms, and autonomous vehicles. Modern computer vision algorithms based on artificial intelligence enable effective real-time object detection, identification, and tracking, ensuring safety, navigation accuracy, and task execution. This paper examines the main object tracking methods, their integration into AUS systems, and development prospects in the context of autonomous technologies.
Ключові слова
Посилання
Wong Kin Yiu. YOLOv9: Learning What You Want to Learn Using Programmable Gradient Information [Електронний ресурс] / Wong Kin Yiu // GitHub. – Режим доступу: https://github.com/WongKinYiu/yolov9 .
Accurate and Fast Single Shot Multibox Detector [Електронний ресурс] / Lie Guo, Wei Liu, Xiaodong Wang, Xiaojun Zhang // IET Computer Vision. – 2020. – Vol. 14, № 6. – С. 391–398. – Режим доступу: https://doi.org/10.1049/iet-cvi.2019.0711 .
DeepSORT: Deep Learning for Multi-Object Tracking [Електронний ресурс] / Wojke N., Bewley A., Paulus D. // arXiv. – 2017. – Режим доступу: https://arxiv.org/abs/1703.07402 .
Long Short-Term Memory (LSTM) [Електронний ресурс] // ITWIKI. – Режим доступу: https://itwiki.dev/data-science/ml-reference/ml-glossary/long-short-term-memory-lstm .
Sensor Fusion for Autonomous Systems [Електронний ресурс] // MathWorks. – Режим доступу: https://www.mathworks.com/help/fusion/ug/sensor-fusion-for-autonomous-systems.html .
Gazebo: Getting Started with Gazebo [Електронний ресурс] // Gazebo. – Режим доступу: https://gazebosim.org/docs/latest/getstarted .
AirSim [Електронний ресурс] // Microsoft. – Режим доступу: https://microsoft.github.io/AirSim/ .