無人駕駛飛行器（UAV），通常稱為無人機，面臨許多挑戰(zhàn)和應用，可以通過人工智能（AI）、邊緣計算和邊緣 AI 進行改進。

AI“描述了機器的工作流程，如果由人類執(zhí)行則需要智能”。最近，機器人/無人機已經使用AI來完成各種智力任務。相對于傳統(tǒng)的云計算，邊緣計算將計算服務（例如存儲和處理）拉近到網絡邊緣的最終用戶。計算不是在遠程云服務器上進行，而是可以在附近的邊緣服務器、設備（例如無人機/無人駕駛飛機）上進行，或者兩者結合進行。邊緣AI可以概括為AI與邊緣計算的融合。

無人機的關鍵技術挑戰(zhàn)是自主導航、電源管理、安全和隱私、編隊控制、計算機視覺和通信。

自主導航可進一步分為定位和測繪、路徑規(guī)劃和防撞系統(tǒng)。無人機的重要應用包括配送系統(tǒng)、精準農業(yè)、民用基礎設施檢查、搜索和救援行動、用作空中無線基站和無人機燈光秀。

傳統(tǒng)的云 AI 計算發(fā)生在云服務器上，與邊緣 AI 相比，它提供了更多的處理能力和存儲空間。但邊緣 AI 比云 AI 有許多優(yōu)勢。特別值得注意的是，延遲更低、可靠性更高、安全性和隱私性更高、成本更低、能耗更低。

已確定的無人機技術挑戰(zhàn)具有某些特別重要的邊緣 AI 優(yōu)勢。例如，自主導航（尤其是防撞系統(tǒng)）很大程度上依賴于邊緣 AI 的較低延遲。考慮到無人機的飛行速度，如果不能在幾分之一秒內檢測和避開障礙物，則很有可能發(fā)生碰撞。邊緣 AI 相對于云 AI 提供的改進延遲可能是碰撞與不碰撞之間的區(qū)別。不同的應用程序也更多地依賴于特定的技術挑戰(zhàn)。例如，精準農業(yè)（例如作物管理）主要依賴于計算機視覺的技術挑戰(zhàn)。

雖然邊緣 AI 對無人機及其技術挑戰(zhàn)/應用的好處是無可爭議的，但在為無人機實施邊緣 AI 時仍面臨許多挑戰(zhàn)。無人機實施邊緣 AI 的關鍵挑戰(zhàn)包括開發(fā)分布式訓練算法、安全和隱私、資源分配和實時要求。但是，可以確定每個實施挑戰(zhàn)的可能解決方案。例如，實施挑戰(zhàn)“實時要求”概述了無人機經常需要反饋才能“實時”（例如，在跟蹤快速移動的汽車時）。

但有時，收集數(shù)據(jù)、訓練模型和決定行動可能需要太長時間。一種解決方案是通過“模型修剪”和“知識提煉”來減少推理時間。邊緣人工智能應用于無人機的未來研究方向也可以通過面臨的挑戰(zhàn)和經驗教訓來定義。

無人機和邊緣 AI 是令人興奮且活躍的研究領域。

無人機系統(tǒng)的關鍵技術挑戰(zhàn)分為六大類：1）自主導航；2）編隊控制；3）電源管理；4）安全和隱私；5）計算機視覺；6）通信。

A. 自主導航

1）簡介：

自主導航可以指人類遠程操作但具有一些簡單的機載算法來接管并防止其發(fā)生碰撞的車輛導航，也可以指無需任何人類干預即可從 A 點到達 B 點的全自動車輛導航（例如，用于包裹運送的無人機）。根據(jù)應用，車輛通過采用定位和地圖繪制、路徑規(guī)劃和/或防撞來自主導航。例如，在僅使用一些簡單機載算法的無人機遠程操作的情況下，只采用防撞。而在完全自主的情況下，需要定位和地圖繪制、路徑規(guī)劃和防撞。因此，本文從“定位和地圖繪制”、“路徑規(guī)劃”和“防撞系統(tǒng)”的角度介紹自主導航。

a）定位和映射：

對于機器人而言，測繪是構建特定區(qū)域地圖（二維或三維）的過程，而定位是確定機器人相對于參考系的位置和方向的過程。對任何機器人來說，準確定位都是一項艱巨的任務，而對于無人機等空中機器人來說，由于環(huán)境的三維特性，定位尤其困難。為了使這項準確定位任務更容易，無人機通常嚴重依賴全球定位系統(tǒng) (GPS)，這樣 GPS 位置測量值與無人機機載慣性測量單元 (IMU) 測量值相融合，即可對無人機的姿態(tài)（位置和方向）進行準確估計。這種方法效果很好，因為 GPS 數(shù)據(jù)可以補償 IMU 累積誤差（由于其測量值漂移造成）。

然而，在很多情況下，GPS 服務不可用/不可靠，例如室內（工廠、倉庫等）、緊急/災后情況[65]、高樹/建筑物附近或水體附近。這些環(huán)境被恰當?shù)胤Q為 GPS 拒絕環(huán)境，由于上述 IMU 累積誤差，僅使用 IMU 測量在此類環(huán)境中導航無人機并實現(xiàn)精 確定位非常具有挑戰(zhàn)性。

解決此問題的最常見方法是基于視覺的解決方案，該解決方案通過結合 IMU 和視覺傳感器測量值，無需 GPS 即可準確定位 UAV。當將兩個測量值（IMU 和視覺傳感器測量值）融合時，可以獲得改進的姿態(tài)估計。這些基于視覺的解決方案中最著名的是視覺 SLAM（模擬定位和地圖構建）和視覺里程計 (VO)。SLAM 算法旨在估計機器人的姿態(tài)，同時構建探索區(qū)域的表示（視覺 SLAM 算法依賴于視覺傳感器）。VO 通過分析運動對一系列圖像造成的變化來逐步預測 UAV 的姿態(tài)。

b）路徑規(guī)劃：

無人機路徑規(guī)劃是確定無人機從起點到目標點的路徑的問題。路徑規(guī)劃技術有很多種，但它們都試圖根據(jù)性能指標（如最短時間、最短路線或最 低工作成本）找到最優(yōu)（或接近最優(yōu)）路徑。

正如人們所料，路徑規(guī)劃和防撞的整合至關重要。它們經常一起使用，因此防撞通常被稱為“局部路徑規(guī)劃”，而路徑規(guī)劃則被稱為“全局路徑規(guī)劃”。其理念是，全局路徑規(guī)劃在考慮整個環(huán)境的同時生成最 佳路線，而局部路徑規(guī)劃在檢測到環(huán)境變化時進行局部處理，并相應地執(zhí)行防撞操作。一旦執(zhí)行了防撞操作，就會嘗試返回全局路徑。

無人機路徑規(guī)劃（全局路徑規(guī)劃）技術可以分為多種不同的類型。其中一個例子是 Aggarwal 和 kumar的研究，其中將路徑規(guī)劃技術分為代表性技術、合作技術和非合作技術。

c) 防撞系統(tǒng)：

由于無人機在空中飛行，而且通常速度很快，因此它們存在很高的碰撞風險，無論是它們撞上其他物體還是其他物體撞上它們。防撞系統(tǒng)對于無人機避免此類碰撞并確保安全飛行至關重要。

Yasin等人將防撞系統(tǒng)分為兩個主要類別：1）感知和 2）行動，其中感知是首要的。在感知階段，傳感器感知環(huán)境并檢測障礙物，在行動階段，防撞方法會利用這些信息來避免碰撞。感知細分為主動傳感器（發(fā)射/發(fā)射然后接收自身源的傳感器）和被動傳感器（僅讀取其他源釋放的能量的傳感器）。然后，主動傳感器細分為聲納、激光雷達和雷達，被動傳感器細分為攝像頭和紅外線。

在行動階段，防撞方法分為“四大方法”：1）幾何；2）優(yōu)化；3）力場；4）感知與規(guī)避?！皫缀巍狈雷卜椒ㄊ褂脽o人機和障礙物的速度和位置信息來確保不會違反最小距離，通常涉及軌跡模擬。“優(yōu)化”防撞方法使用已知的障礙物參數(shù)來找到最 佳（或接近最 佳）路線。“力場”防撞方法操縱吸引力/排斥力，“感知與規(guī)避”方法根據(jù)障礙物檢測在運行時做出規(guī)避決策。

2）人工智能的作用：

AI 對自主導航的最 大貢獻是計算機視覺算法，它對于三大挑戰(zhàn)至關重要：1）定位和制圖；2）路徑規(guī)劃；3）防撞系統(tǒng)。計算機視覺算法（特別是深度學習算法）以及相機技術（特別是 RGB 相機）的最 新進展使得無人機能夠使用高分辨率、輕便且廉價的機載相機有效檢測物體。在定位和制圖方面，特別是在沒有 GPS 數(shù)據(jù)的情況下，在視覺方法（例如 SLAM 和 VO）中嚴重依賴計算機視覺算法的使用（在第 III-A1a 節(jié)中討論）。此外，在路徑規(guī)劃和防撞系統(tǒng)中，計算機視覺算法對于快速檢測迎面而來的物體以避免碰撞至關重要。

3）邊緣人工智能的作用：

與傳統(tǒng)云模型下的 AI 相比，使用邊緣 AI 可以給自主導航帶來很多好處。雖然邊緣計算的所有一般優(yōu)勢（更低的延遲、更高的可靠性、安全性和隱私性改進、降低成本和降低能耗）以及所有一般的額外邊緣 AI 優(yōu)勢（進一步的能耗/隱私/通信改進）都適用于此，但與傳統(tǒng)云 AI 相比，邊緣 AI 提供的更低延遲和更高可靠性對于自主導航問題尤其重要。因此，本節(jié)簡要討論了邊緣 AI 的優(yōu)點和缺點。

a) 更低的延遲：

使用傳統(tǒng)云計算的人工智能可能會涉及在無人機和中央云服務器之間發(fā)送和接收數(shù)據(jù)的相當長的傳輸延遲。邊緣人工智能使大部分處理都在終端設備或附近的邊緣服務器上進行，與遠程云相比，與之相關的傳輸延遲要短得多。即使存在第II-B 節(jié)中描述的情況，即某些應用程序需要邊緣服務器與核心云通信以進行數(shù)據(jù)同步，傳輸延遲也不大。這是因為在邊緣進行預處理會減少總體流量負載（即從每個設備/無人機發(fā)送的數(shù)據(jù)更少）。

防撞系統(tǒng)是實時延遲敏感挑戰(zhàn)的一個典型例子，它特別依賴于低延遲，因此邊緣 AI 可能是必不可少的。檢測和避開迎面而來的物體的過程（除非無人機和迎面而來的物體移動非常慢）需要在幾分之一秒內完成。如果這個過程耗時太長，就會導致墜機，造成重大經濟損失或更糟（例如致命）的影響。對于路徑規(guī)劃、定位和地圖繪制，傳統(tǒng) AI 的延遲在大多數(shù)靜態(tài)環(huán)境中可能就足夠了，尤其是在人口稀少或高海拔地區(qū)。話雖如此，考慮到高延遲對飛行速度的限制，邊緣 AI 改善的延遲仍然是一個顯著的好處。

b)提高可靠性：

在傳統(tǒng)云計算模式下運行人工智能依賴于中央云服務器的可靠性。如果中央云服務器無法訪問/發(fā)生故障，可能會造成災難性的后果（例如崩潰）。邊緣人工智能出現(xiàn)這種情況的可能性要小得多，因為處理發(fā)生在離用戶更近的地方（邊緣服務器/設備上），這意味著網絡中斷的可能性大大降低。如果邊緣服務器確實發(fā)生故障，另一臺服務器應該能夠提供服務，即使不能，終端設備也可以自行處理大量請求，并且仍然可以訪問本地存儲的部分數(shù)據(jù)。

當使用傳統(tǒng)云計算模型下的人工智能時，中央云服務器無法訪問/宕機可能會導致墜機，因為無人機視頻源將無法分析，并且與無人機碰撞的迎面而來的物體將無法被檢測到。使用傳統(tǒng)的云人工智能，路徑規(guī)劃、定位和地圖繪制可以在沒有中央云服務器的情況下應對稍長的時間，但如果這種連接丟失持續(xù)很長時間，則在空中停轉而無法完成任務或墜機仍然是不可避免的。

c）缺點：

邊緣人工智能有兩個顯著的缺點會影響自主導航：某些地方的網絡設備明顯較少，而在這些地方實施、修復或管理網絡設備的技術人員較少。換句話說，在人口較少的地區(qū)和/或財力或技術資源較少的地區(qū)，網絡上的邊緣服務器可能較少，而在許多這樣的地區(qū)，能夠實施、修復和管理邊緣網絡的技術人員可能較少。這會影響自主導航，因為可能會依賴邊緣服務器，這意味著邊緣人工智能的積極影響會減弱，特別是在延遲和可靠性方面。

此外，自主導航的另一個缺點是需要在不同的邊緣服務器之間卸載無人機任務。當無人機離開特定邊緣服務器的服務范圍時，該服務器可能需要將無人機卸載的任務遷移到其他邊緣服務器。由于無人機飛行速度很快，這可能會限制無人機的任務性能。

B. 隊形控制

1）簡介：

在執(zhí)行無人機任務時，多架無人機協(xié)同工作通常比單架無人機單獨完成任務更可?。ㄒ姷?/span> II-A 節(jié)末尾）。受多架無人機協(xié)同工作優(yōu)勢的應用（如運輸大型有效載荷或在大面積區(qū)域搜索物體/人員）的推動，近幾十年來，人們對編隊相關研究進行了廣泛的探討，其中編隊控制是最活躍的研究課題。

編隊控制的靈感來源于自然界中鳥群等自組織，它是對多個機器人“編隊”的協(xié)調控制。編隊被定義為通過控制器規(guī)范相互連接的代理網絡，其中每個代理必須與相鄰代理保持關系。編隊控制大致分為兩類：1) 領導者-追隨者和 2) 無領導者。

2）人工智能的作用：

a）強化學習：

強化學習 (RL) 是機器學習的一個領域，因此也是人工智能的一個領域。它可以被描述為學習如何最 大化數(shù)值獎勵信號，其中學習者沒有被給予要采取的行動，而是必須嘗試這些行動并推斷哪些行動會帶來最 大的獎勵。RL 對無人機的聯(lián)合運動和通信特別有用。因此，許多論文，尤其是最近的論文，研究了 RL 在無人機編隊控制中的應用。例如，Knopp等人 提出了一種使用 GQ（λ ) 用于領導者-追隨者形成控制場景的 RL 算法。

b）深度強化學習：

RL 面臨的一個問題是，RL 算法從每個狀態(tài)中學習并確定最 佳獎勵路徑（即策略）可能會非常困難。RL 可以與深度學習相結合，產生機器學習的另一個子領域，稱為深度 RL (DRL)。DRL 可以使用神經網絡來處理更高維度的狀態(tài)/動作空間。例如，Conde等人使用 DRL 來驅動多架無人機到達編隊，這樣就可以使用深度神經網絡來估計特定狀態(tài)的優(yōu)劣。

c）多智能體系統(tǒng)和強化學習：

多智能體系統(tǒng) (MAS) 是一種解決復雜問題的方法，將問題細分為較小的任務。每個單獨的任務都分配給稱為“智能體”的自主實體，每個智能體根據(jù)多個輸入選擇適當?shù)牟僮鱽斫鉀Q任務。輸入包括其操作歷史、與相鄰智能體的交互及其目標。RL 可以很好地應用于此類 MAS。例如，劉等人提出了一種基于 RL 的分布式無模型解決方案，用于解決 MAS 領導者-追隨者形成控制問題。

3）邊緣人工智能的作用：

與自主導航的情況一樣，當采用邊緣人工智能而不是傳統(tǒng)云計算模式下的人工智能時，編隊控制有很多好處，因此邊緣計算的大多數(shù)一般優(yōu)勢（更低的延遲、更高的可靠性等）和一般的額外邊緣人工智能優(yōu)勢（例如，進一步改善能源消耗）都適用。同樣，本節(jié)將重點介紹特別令人感興趣和重要的優(yōu)勢，這對于編隊控制問題來說就是降低成本。

a)降低成本：

當提到無人機編隊時，我們指的是無人機群，它們會產生大量的流數(shù)據(jù)，這些數(shù)據(jù)不斷從無人機傳輸過來進行處理。邊緣人工智能既可以通過機載預處理減少需要發(fā)送到服務器的數(shù)據(jù)量，又可以通過將數(shù)據(jù)發(fā)送到邊緣服務器（而不是更遠程的集中式云服務器）來減少數(shù)據(jù)發(fā)送距離。減少的數(shù)據(jù)量特別有助于降低運營成本，因為在處理大量數(shù)據(jù)時，云端計算成本可能相當高。話雖如此，啟動和維護分布在廣闊區(qū)域的邊緣設備的成本可能相當高，應該予以考慮。

C. 電源管理

1）簡介：

無人機的一個眾所周知的問題是電池壽命有限，進而導致飛行時間有限。除了提高無人機的能源效率外，還可以通過使用創(chuàng)新方式（即能量收集技術）來獲取更多能量，從而延長電池壽命。常見的能量收集技術包括太陽能、無線充電和電池更換。

a)太陽能：

太陽能具有成本效益和環(huán)保的特性，使其成為一種理想的能源。太陽能電池對無人機特別有用，因為無人機需要在高空飛行較長時間?；谔柲艿臒o人機通常使用固定電池作為輔助電源，白天通常不會過分依賴電池，但在夜間或惡劣天氣條件下，電池電源會變得非常重要。話雖如此，表面積、重量限制和對光強度的依賴是商業(yè)太陽能無人機應用的主要限制因素。

b）無線充電：

無線充電尚未成為無人機的標準功能。話雖如此，近年來，人們已經進行了大量研究，以使無人機無線充電成為可能。探索的技術包括基于電容耦合的技術、基于磁共振的技術，甚至通過無線電力傳輸從電力線充電。

2）人工智能的作用：

人工智能可以通過規(guī)劃和優(yōu)化算法來解決電源管理問題。例如，找到無人機行駛的最 佳路線以最小化功耗的算法，或選擇最 佳充電/電池交換站的算法，其中考慮當前電池電量和與當前路線的偏差。例如，張等人 使用 DRL 找到了到充電站的最快路徑。

此外，卷積神經網絡（CNN）可用于識別充電站及其著陸點，循環(huán)神經網絡可用于準確預測無人機電量耗盡，而人工智能也有助于提高無人機的效率，從而可以用更少的電量實現(xiàn)更多目標。

3）邊緣人工智能的作用：

與第 III-A3 節(jié)和第 III-B3節(jié)一樣，邊緣計算的一般優(yōu)勢和一般額外的邊緣 AI 優(yōu)勢也適用。邊緣 AI 降低能耗的優(yōu)勢在這里尤其重要，因此將進行討論。

a) 減少能源消耗：

如第 III-B3 節(jié)所述，邊緣 AI 既可以通過機載預處理減少需要發(fā)送到服務器的數(shù)據(jù)量，又可以通過將數(shù)據(jù)發(fā)送到邊緣服務器（而不是更遠程的集中式云服務器）來減少數(shù)據(jù)發(fā)送的距離。除了降低成本外，這還可以降低能耗，因為將數(shù)據(jù)傳輸?shù)竭h程云會產生大量能耗。通過減少數(shù)據(jù)大小和傳輸距離，可以降低總體能耗，這對于無人機來說尤其重要，因為電池是一種緊張的資源。此外，當使用邊緣 AI 時，通過無人機群內的分布式聯(lián)邦學習可以進一步減少向服務器發(fā)送數(shù)據(jù)以及與之相關的能耗。例如，Zeng等人 提出了一個基于分布式聯(lián)邦學習的無人機群框架，該框架具有一個“領頭無人機”和幾個“跟隨無人機”。所有跟隨無人機都根據(jù)其收集的數(shù)據(jù)在本地訓練模型，然后每個跟隨無人機將這個本地訓練的模型發(fā)送給領頭無人機。這架無人機將所有模型聚合起來，創(chuàng)建一個全局模型，然后將其發(fā)送給后續(xù)的無人機。

D. 安全和隱私

1）簡介：

安全和隱私是所有數(shù)字系統(tǒng)非常重要的問題，特別是對于無人機[89]。與其他侵犯隱私的設備相比，無人機擁有獨特的靈活訪問技術（這對犯罪分子來說很有吸引力），同時也容易受到針對無線鏈路、網絡元素、物理元素以及網絡和物理元素之間接口的攻擊。

a) 安全：

雖然許多討論無人機安全領域的論文討論的是相同的問題，但采取的方法不同。

Shakhatreh等人將無人機系統(tǒng)的攻擊載體分為對通信鏈路、無人機本身、地面控制站 (GCS) 和人類的攻擊。他們還定義了無人機系統(tǒng)的三大網絡安全挑戰(zhàn)：1）機密性挑戰(zhàn)（指保護信息免受未經授權的訪問）；2）可用性挑戰(zhàn)（指確保無人機系統(tǒng)服務和數(shù)據(jù)按預期工作并可被經過身份驗證的用戶訪問）；3）完整性挑戰(zhàn)（指確保信息的真實性）。Ullah等人 簡要解釋了攻擊者（內部/外部、惡意/合理、主動/被動和本地/擴展）和攻擊（例如，偽裝、拒絕服務和 GPS 欺騙）的分類。然而，本節(jié)從傳感器和通信鏈路的角度分析了無人機攻擊。

傳感器獲取的信息會改變無人機的行為，對安全性有重大影響。GPS 傳感器是一種常見的攻擊傳感器，因為它通常用于獲取準確的位置信息。攻擊無人機 GPS 的最常見方式是“干擾”或“欺騙”。干擾是指未經授權的一方廣播干擾信號以阻止接收各種信號。欺騙可以是未經授權的一方記錄衛(wèi)星信號并傳輸給無人機（中繼器型欺騙），也可以是使用某些程序根據(jù)真實信號生成信號（生成型欺騙）。解決 GPS 干擾的一種方法是采用替代導航方法，例如使用采用 SLAM 或 VO 的視覺和慣性導航系統(tǒng)（參見定位和地圖繪制部分，第 III-A1a 節(jié)）。解決 GPS 欺騙的方法包括對 GPS 信號的認證，例如檢查表示信號行進時間的 GPS 可觀測量，或檢測信號功率/可觀測量的突然變化，這可能表明欺騙攻擊的開始。其他易受攻擊的常見傳感器是可能被欺騙的雙目視覺傳感器（例如，通過使用指向地面的激光來誘導特征）或可能被超聲波攻擊的 MEMS 陀螺儀（例如，使無人機失去平衡）。

在通信鏈路方面，無人機與地面站的交互依賴于通信鏈路，不安全的鏈路容易受到攻擊。例如，無人機與地面終端的通信方式之一是WiFi，WiFi容易受到Deauth攻擊，導致無人機與終端之間的連接中斷，無人機控制密碼被破解。解決方案包括：無人機失聯(lián)10秒后詢問用戶是否自動返航；使用無線電信號替代WiFi信號。

b) 隱私：

無人機侵犯隱私既容易，又很難捕獲入侵的無人機。防止無人機侵犯個人隱私主要有兩種解決方案。一是在禁飛區(qū)數(shù)據(jù)庫中注冊家庭住址，但這仍然不能確保入侵的無人機不會飛入禁飛區(qū)。第二種解決方案是使用技術/系統(tǒng)在空間內檢測、跟蹤和投放無人機。

此外，惡意軟件還可以利用無人機收集個人信息。例如，史努比惡意軟件可以安裝在無人機上，用于收集個人信息并跟蹤/分析使用智能手機的個人。無人機需要不斷發(fā)展以應對這種不斷演變的惡意軟件。

2）人工智能的作用：

人工智能既可以用于幫助防止無人機受到攻擊，也可以用于上面簡要討論的系統(tǒng)，用于防止無人機本身侵犯人們的隱私（通過飛越/靠近禁飛區(qū)）。關于后者，到 2026 年，“全球反無人機市場”預計將達到美國$ 25.97 億。日本電氣公司的監(jiān)視系統(tǒng)就是一個例子，它使用聲學、熱學、紅外和/或無線電通信傳感器/探測器來感知入侵的無人機，并為跟蹤系統(tǒng)所有者提供丟棄/捕獲無人機的選項。檢測無人機的算法特別采用了人工智能，例如，張等人 提出了一種基于人工神經網絡 (ANN) 的無人機檢測算法。

對于前者（防止無人機本身受到攻擊），Challita等人認為，通過發(fā)現(xiàn)不良/異常的無人機運動來檢測潛在攻擊非常重要。Challita等人 以 RNN 為例，RNN 可以預測無人機的運動，從而可以檢測到無人機的異常運動。此外，人工智能防護可以利用針對惡意文件訓練的模型來保護無人機免受零日攻擊。

3）邊緣人工智能的作用：

與之前針對其他技術挑戰(zhàn)的“邊緣 AI 的作用”部分一樣，邊緣計算的一般優(yōu)勢和一般額外的邊緣 AI 優(yōu)勢也適用。顯然，邊緣 AI 的安全和隱私優(yōu)勢是部分相關的，因此進行了討論。

a) 提高安全性：

通常，在傳統(tǒng)云計算模式下使用人工智能需要將所有數(shù)據(jù)傳輸?shù)街醒敕掌?。這被認為是“高度脆弱的”，因為一次攻擊（例如 DDoS 攻擊）就可能造成嚴重破壞。使用邊緣人工智能意味著將數(shù)據(jù)處理分布在多個設備/服務器上。盡管必須承認這種數(shù)據(jù)處理的分布增加了潛在的攻擊面，但風險更加分散，從而成功攻擊（如 DDoS 攻擊）的影響減小。此外，由于邊緣人工智能支持在邊緣進行處理，發(fā)送的數(shù)據(jù)更少，因此被攔截的數(shù)據(jù)也更少。

在實際關閉攻擊方面，邊緣計算的分布式和分散性意味著邊緣人工智能系統(tǒng)的脆弱部分比傳統(tǒng)的云端人工智能系統(tǒng)更容易關閉，而傳統(tǒng)的云端人工智能系統(tǒng)通常需要關閉整個網絡。

將區(qū)塊鏈集成到無人機系統(tǒng)中可以帶來許多安全優(yōu)勢。例如，區(qū)塊鏈可以確保每架無人機都擁有區(qū)塊鏈的副本，從而降低無人機網絡受到信號干擾的脆弱性。在這種情況下，各個無人機使用其區(qū)塊鏈副本中包含的其他無人機飛行路線的詳細信息來確定自己的路徑。另一個例子是區(qū)塊鏈如何檢測更改網絡信息的惡意無人機。惡意無人機可能最初是無人機網絡的一部分，后來被劫持，或者稍后進入網絡。區(qū)塊鏈可以通過區(qū)塊鏈共識算法幫助防止此類攻擊，任何無人機都可以報告可疑活動。如果與無人機相矛盾的條目數(shù)量大于某個閾值，則該無人機被稱為惡意。

b) 提高隱私性：

邊緣 AI 可實現(xiàn)實時計算。如果不可避免地要拍攝/記錄侵犯隱私的圖像，則無需將數(shù)據(jù)發(fā)送并存儲到遠程集中式云服務器，而是可以在無人機上或邊緣服務器上進行本地處理。這樣做的意義在于，此類數(shù)據(jù)不太可能被黑客入侵，也不必存儲在遠程集中式云服務器上。

聯(lián)邦學習和區(qū)塊鏈都可以提高無人機通信的安全性。聯(lián)邦學習可以避免從設備/無人機發(fā)送任何原始數(shù)據(jù)（只需發(fā)送本地模型更新）。區(qū)塊鏈可以加密數(shù)據(jù)并將其存儲在區(qū)塊鏈中，這樣沒有正確解密密鑰的任何人都無法訪問數(shù)據(jù)。此外，區(qū)塊鏈可以通過在區(qū)塊鏈塊內寫入和更新來保護無人機網絡中的四種主要數(shù)據(jù)類型（無人機標識符、飛行路線控制、傳感器數(shù)據(jù)和飛行時間表）。

c）缺點：

如安全部分（第 III-D3a 節(jié)）所述，應該注意的是，在多個邊緣節(jié)點上分布數(shù)據(jù)/數(shù)據(jù)處理具有增加潛在攻擊面的缺點。即使采用基于區(qū)塊鏈的系統(tǒng)，每架無人機都有一份分布式賬本的副本，這意味著一些敏感信息會傳播到系統(tǒng)中的所有無人機。另外，應該注意的是，在基于區(qū)塊鏈的無人機群中，如果群中超過一半的無人機被黑客入侵，那么整個群就可以被控制（這種攻擊被稱為 51% 攻擊）。

E.計算機視覺

1）簡介：

計算機視覺的目的是讓計算機從視覺信息（無論是單幅圖像還是一系列圖像）中理解環(huán)境。近年來，人們對自動理解無人機收集的視覺數(shù)據(jù)領域的興趣日益濃厚，在大多數(shù)無人機應用中（從航空攝影到 SAR 操作），計算機視覺發(fā)揮著至關重要的作用。

從計算機視覺的角度來看，此類應用的核心任務是場景解析。不同的應用需要不同級別的場景解析，從定位物體到確定物體的精 確邊界，再到識別物體。無人機計算機視覺應用包括物體檢測、物體識別、物體跟蹤、防撞、自主導航和 3-D 重建。此類圖像處理可以在服務器（邊緣或中央云）上遠程完成，也可以在無人機上（嵌入式）完成。

a) 遠程計算機視覺處理：

無人機通常不具備處理能力來處理無人機攝像頭拍攝的圖像，因此，處理需要在不同位置進行。從延遲的角度來看，理想的處理地點是邊緣服務器，盡管計算機視覺也可以在更遠的集中服務器上處理。

b）實時嵌入式計算機視覺處理：

如果目標是使無人機真正實現(xiàn)自主和可靠，那么實時嵌入式計算機視覺處理比遠程計算機視覺處理更可取，因為遠程處理需要高帶寬、最小延遲和極其可靠的無線鏈路，而這些并不能總是得到保證。

無人機實時嵌入式計算機視覺處理最突出的限制是機載計算能力。Van Beeck等人 指出，最 先進的無人機計算機視覺算法的計算要求經常與硬件資源限制相沖突。

2）人工智能的作用：

在計算機視覺技術中，人工智能的使用并不是強制性的，例如 Petricca等人 可以根據(jù)包含某些紅色成分的像素數(shù)量進行銹蝕檢測。盡管如此，盡管基于人工智能的技術可能需要大量數(shù)據(jù)集才能獲得最 佳結果，但計算機視覺應用大量使用人工智能。與計算機視覺最交叉的人工智能領域是深度學習。

a）深度學習：

根據(jù) Lecun等人的研究，深度學習使由多個處理層組成的計算模型能夠學習具有多個抽象級別的數(shù)據(jù)表示。前幾層的目的是學習邊緣等低級特征的檢測，后幾層的目的是將特征組合成更完整的表示。深度學習在無人機計算機視覺中的應用的一個例子是 Ye等人 提出了一種新方法，該方法采用深度學習分類器來檢測和跟蹤其他無人機。另一個例子是 Padhy等人 [107]提出了一種方法，該方法使用 CNN 模型來幫助無人機在沒有 GPS 的室內走廊環(huán)境中自主導航。

3）邊緣人工智能的作用：

邊緣 AI 在計算機視覺中的作用涉及邊緣服務器和無人機上的計算機視覺處理。當 AI 處理可以在邊緣服務器或設備上完成（而不是在傳統(tǒng)的云模型下）時，邊緣計算的所有一般優(yōu)勢和一般額外的邊緣 AI 優(yōu)勢都適用。低延遲的優(yōu)勢對于計算機視覺應用尤其重要，因此將成為重點。與 AI 的作用部分（第 III-E2 節(jié)）一樣，本節(jié)也將特別強調深度學習，但重點是嵌入式深度學習，因為這尚未討論過。

a) 更低的延遲：

如第 III-A.6 節(jié)所述，采用傳統(tǒng)云 AI 的無人機在與中央云服務器之間發(fā)送和接收數(shù)據(jù)時，傳輸延遲會相當長。與遠程云相比，邊緣 AI 可在終端設備或附近的邊緣服務器上完成大部分處理，傳輸延遲明顯更短。即使存在第 II-B 節(jié)所述的情況，某些應用程序需要邊緣服務器與核心云進行通信以進行數(shù)據(jù)同步，但由于邊緣的預處理，總體流量負載較小，因此傳輸延遲并不顯著。

大多數(shù)計算機視覺應用（從物體檢測到物體識別到物體跟蹤到防撞到自我導航）都需要低延遲，因為如果不滿足某些延遲標準，物體就會丟失/撞上。

b）深度學習：

根據(jù) Van Beeck的說法，在專注于無人機機載實時圖像處理的“UAVision2020”研討會上，所有被接受的研討會論文（涵蓋廣泛的不同應用）都使用了深度學習。Castellano等人 和 Zhao等人 是使用深度學習的很好的例子，他們都描述了使用 CNN 進行人群計數(shù)或理解。其他例子包括 Stad和 Zhang等人使用深度學習進行對象跟蹤，Peralta等人 使用深度學習進行 3-D 重建。最近的例子包括 Onishi 和 Ise使用 CNN 方法使用無人機 RGB 圖像構建樹木識別和映射系統(tǒng)，Kung等人 提出了一種基于圖像的建筑物缺陷（如裂縫）自動檢測的 CNN 模型。