Muhammad Shoaib1 , Nasir Sayed
Ces dernières années, l'intégration de l'intelligence artificielle et des véhicules aériens sans pilote (UAV) est devenue un sujet d'étude brûlant, en particulier lorsque les UAV doivent effectuer des tâches complexes qui ne peuvent pas être réalisées rapidement sous contrôle humain. Les drones utilisent souvent plusieurs capteurs pour recueillir des détails complets sur les conditions, comme une caméra descendante ou des capteurs LiDAR, et le processeur principal mesure toutes les trajectoires du drone. Cet article propose de suivre une cible détectée en utilisant une caméra embarquée monoculaire et un modèle d'apprentissage par renforcement. Ce système est plus rentable et adaptable à l'atmosphère en utilisant divers capteurs et trajectoires pré-calculées que les approches précédentes. Notre modèle a ajouté des détails de boîte englobants à l'entrée d'image du réseau de conduite en étendant le précédent réseau Deep Double Q avec le modèle d'architecture Duel (D3QN), en modifiant une table d'action et une fonction d'incitation, en permettant des gestes en 3D et la reconnaissance d'objets combinés avec le support de MobileNet. Les simulations sont effectuées dans divers paramètres de simulation, chacun avec son niveau de difficulté et de sophistication. L'application « Airsim », une API de simulation de quadrirotor prise en charge par Microsoft, est utilisée pour la recherche. Les résultats révèlent qu’en utilisant un algorithme d’exploration basé sur la convergence, le modèle s’approche de l’objet observé, une figure humaine, sans rencontrer d’obstacles en cours de route et se déplace plus rapidement.
English 
Spanish 
Chinese 
Russian 
German 
Japanese 
Portuguese 
Hindi