人工智能技术在机场道面安全检测中的应用

一．机场道面安全检测机器人背景

机场道面安全是民航强国战略的安全底线之一，机场安全呈现出超大作业范围、超高安全与精度要求、超窄作业时限等特点，传统人工检测方法无法满足需求。机场道面安全检测面临着多项挑战。效率方面，对机器人运动、调度、规划控制挑战巨大；为了实现高精度，强干扰条件下低对比度识别、大场景微小异物识别也面临着技术挑战；预警方面缺乏检测数据积累，缺乏检测对象模型。为了应对挑战，针对机场道面检测需求，采用云-边-端（云：多机场检测数据与知识积累及共享；边：模型与数据驱动智能识别；端：多模式机器人协同检测）作为总体架构，研发一套云端智慧、协同规划、地空一体，适用于道面巡检与定检的协同作业系统。

二．人工智能在机场道面安全检测中的应用

人工智能在机场道面结构安全检测中的应用

机场道面结构安全主要是在夜间停航时间进行检测，主要挑战包括弱光强、强噪声、低对比度；样本稀缺；效率与精度相矛盾。传统基于模型方法无法获得高精度的检测结果，所以将模型驱动与数据驱动所结合，利用模型驱动进行时频特征的提取，将检测结果作为先验知识提供给卷积神经网络，最终将两部分提取的结果进行融合，提升整个系统的精度。针对裂缝等表观病害，在特征提取部分使用具有强特征表达力的残差网络。

同时为了挖掘多尺度信息、实现目标的多尺度检测，尤其是细小病害的小目标检测，融合使用特征金字塔网络的特征提取器，将各层级的特征进行融合，来获得同时具有强语义和强空间的特征信息。为了进一步提供网络对目标背景的识别能力，引入了基于注意力机制的上下文信息建模模块，来增强显著性，并激活特征图上的前景区域。之后通过分类网络、回归网络和掩模预测网络，实现分类框的分类、定位以及掩模预测。在掩模预测中，引入了融合全文上下文信息、优化后的掩模预测网络，通过添加全连接层结构，构成了支路获取更加丰富的信息编码，达到更高精度的分割效果。

机场道面地下隐蔽病害检测通常使用探地雷达进行检测，但是实际效果并不理想。针对地下隐蔽病害检测面临着强噪声、多复杂形态、样本稀缺的挑战，构建了基于模型的深度网络，其中通过使用二维卷积神经网络即可提取到属于每种病害在单个B-scan中的面特征。由于病害实际并不规则且存在范围限制，所以对病害进行检测需要综合某一深度下几个连续相邻通道的雷达框面图来分析。用三维卷积神经网络即可提取到多个B-scan间的关联特征。

机场环境的感知与定位的挑战

大场景复杂异质环境下的实现检测数据时空高精度的对齐配准，支持道面适航状态长期动态安全预警模型的构建。目前主流方法为模型驱动方法，可以在静态环境下取得较高的检测精度。针对出现的问题，在传统的模型驱动slam算法中融入了数据驱动技术，利用数据驱动算法提取的特征为模型驱动提供语义信息，将解决动态环境对传统slam算法的影响，同时实时性和精度也得到了有效提升。多层次紧耦合感知技术框架：视觉和激光数据通过语义分割网络提供的掩模加上原始传感器的数据利用模型驱动的方法来进行定位和导航，精度和实用性都有所提升。

基于深度学习的激光里程计技术框架的核心思想是将激光收集的原始点云数据输入到深度学习神经网络模型中，得到每个点的语义特征，之后将其分为动态、静态稳定、静态不稳定特征点，为每类特征设置系数，之后输入到里程计模块中，在后端优化处理时对匹配的特征进行加权处理，最终得到最优估计。优势在于可以利用深度学习神经网络模型识别的语义信息降低动态环境对建图定位精度的影响，另一方面可以有效应对深度学习的不可靠性。

由于激光点云具有无序性、置换不变性；无结构性与效率与精度相矛盾的挑战，传统的深度学习架构无法得到理想的结果。使用注意力机制处理激光点云，注意力机制具有天然的输入顺序无关性，非常适合用来处理无序无结构的激光点云数据；另一方面注意力机制可以自发地学习局部-全局的联系，有利于表征三维激光点云所记录的空间结构，以及体现局部空间结构对全局信息的影响。

三．机器人+人工智能畅想

模型驱动与数据驱动相结合。