База знаний

ArduPilot и Betaflight — две самые популярные прошивки для современных БПЛА, но создавались они для совершенно разных задач. В этой статье простым языком разбираем, почему Betaflight остается лучшим выбором для ручного FPV-пилотирования, а ArduPilot считается основной платформой для автономных дронов с компьютерным зрением, нейросетями и системами автонаведения. Также объясняем, что такое MAVLink и почему именно он делает интеграцию искусственного интеллекта с автопилотом значительно проще.

Roboflow — одна из самых популярных облачных платформ для создания, разметки и подготовки датасетов, используемых при обучении моделей компьютерного зрения. В статье рассматриваются возможности сервиса, поддерживаемые типы аннотаций, инструменты автоматической разметки, контроль качества, аугментация данных, управление версиями датасетов и экспорт в форматы YOLO, COCO, TensorFlow и PyTorch. Материал будет полезен разработчикам, начинающим работать с компьютерным зрением и искусственным интеллектом.

Введение За последние двадцать лет технология SLAM (Simultaneous Localization and Mapping) стала одной из ключевых в робототехнике, автономном транспорте и беспилотной авиации. Сегодня она применяется в автономных автомобилях, промышленных роботах, складских системах, сервисных роботах, космических аппаратах и современных БПЛА. Практически каждый автономный аппарат сталкивается с одной фундаментальной проблемой: определением собственного положения в пространстве. Пока работает спутниковая навигация (GPS, ГЛОНАСС, Galileo, BeiDou), задача кажется простой. Однако в помещениях, тоннелях, густой городской застройке, лесу или при намеренном подавлении спутниковых сигналов эта возможность исчезает. Тогда единственным источником информации остаются собственные датчики аппарата. Именно здесь начинается область применения SLAM.

В этой статье мы пошагово разберем, как реализовать систему автозахвата цели на дроне с использованием связки Raspberry Pi 5 + Pixhawk — той самой, что лежит в основе проекта AeroCompanion. Система будет autonomously обнаруживать, захватывать и сопровождать движущуюся цель в реальном времени.

Визуальная одометрия — одна из ключевых технологий современной автономной навигации. Анализируя последовательность изображений с камеры, беспилотник способен определять собственное перемещение даже при полном отсутствии сигнала GPS. Разбираемся, как работает Visual Odometry, какие алгоритмы лежат в её основе и почему эта технология становится обязательным элементом перспективных БПЛА и наземных роботизированных платформ.

В этой статье вы подключите Raspberry Pi с системой автонаведения на базе YOLO к автопилоту ArduPilot через протокол MAVLink. Рассмотрим настройку связи, режим GUIDED и проверим, как нейронная сеть начинает управлять полетом дрона, передавая команды автопилоту.

На arXiv опубликована статья о системе локализации и преследования линейно движущейся цели в двумерной плоскости только по измерениям расстояния без GPS и угловых датчиков.

После того как нейросеть обнаружила цель, а трекер начал её сопровождение, начинается самая важная часть работы автономного перехватчика — наведение (Guidance). Именно модуль наведения анализирует движение цели, прогнозирует её будущее положение и принимает решение, куда должен лететь дрон, чтобы выполнить успешный перехват. В этой статье простым языком объясняется роль Guidance в архитектуре автономного перехватчика, его взаимодействие с нейросетью, трекером и полётным контроллером, а также причины, по которым именно этот модуль считается «мозгом» всей системы.

Пошагово разбираем, какие программы и какое оборудование нужны для создания собственной лаборатории компьютерного зрения. YOLO, CVAT, SAM 2, ByteTrack, FiftyOne, TensorRT и рекомендуемые характеристики сервера для обучения нейронных сетей.

Создание датасета — первый и самый важный этап обучения нейросети. В этой статье вы узнаете, как подготовить изображения для обучения YOLO: извлечь кадры из видео, выполнить качественную разметку объектов в CVAT, сформировать правильную структуру датасета и проверить его готовность к обучению. Следуя этому руководству, вы сможете создать датасет, который станет надежной основой для получения точной и стабильной модели компьютерного зрения.