欢迎来到《解码 T16 黑科技》第六期，今天我们来聊一聊 T16 上搭载的 AI 技术。
近年来，国内的植保无人机保有量和作业规模都获得了一轮的迅速增长，但目前植保无人机的作业场景，大多数集中在大田作物，如水稻、小麦等，随着仿地飞行功能的日益完善，以大疆为代表的 MG 系列植保无人机，也逐步将茶园等纳入了常规作业场景。但在果树等作物场景中，很多的植保无人机都还不能完美、可靠地实现自动作业。
为何在果树场景中，植保无人机都还不能实现自动作业？其中的原因或许并没有你想象中那么简单。
首先，果树普遍种植在山地，地形复杂、作物高低起伏较大，树与树之间存在较大间隙，仅依靠雷达的仿地飞行，容易让植保机在树的间隙区间降落到很低的高度而触发避障，此外植保机在自动飞行中，如果在空地处也无法判断并停止喷洒，也会造成药液的浪费。因此在普通大田场景中普遍使用的自主飞行模式难以直接套用。
为了解决这个问题，大疆的 T16 登场了。
三维场景重建
T16 的 AI 智能引擎与 PC 地面站专业版结合，可通过对 Phantom 4 RTK 采集的图像进行分析，找出其内在规律，对场景地图进行三维重建和自动识别，结合智能三维航线规划，让山地和果园场景的作业实现自动化和智能化。
正如文章开头所提，要实现山地、果园的自主航线作业，解决复杂场景的仿地飞行是核心要点之一。由于果园树与树之间存在较大间隙，仅仅借助雷达进行仿地飞行，是远远不够的。
这时，我们就需要构建作业区域的三维地图，从而获得高精度的地理信息。
首先，我们可以使用大疆的 Phantom 4 RTK 采集作业区域影像数据，然后借助 PC 地面站专业版的三维重建算法，利用影像数据得到作业场景的三维地图数据，从而获得作业区域内任意一点的位置信息和高度。
目前行业内，传统的三维地图构建，一般是基于激光点云数据进行构建。但基于激光点云的数据，在农业应用场景中也存在着两个核心难题。一是激光雷达的成本太高，二是激光雷达生成的点云没有颜色信息，进行更高级的场景识别的难度增大。
而 PC 地面站专业版，则创新地采用了基于图像的三维构建方案，利用摄影测量技术和多视图重建技术，达到了厘米级图像采集精度，成功实现了设备成本低、精度与激光雷达方案相当的解决方案。而且这样的方案，更适合农业场景的应用。
地图语义识别
获得了高精度的三维地图后，AI 就正式登场表演了。为了提升作业的安全性，提高农药使用率，实现植保机的主动避障和只在树木上方才喷洒农药的功能，大疆的 AI 系统，就开始利用高精度三维地图，自动将果园场景中的树木、水塘、建筑、电线杆、地面等进行智能识别，形成带有类别属性的三维语义地图。
AI 眼中的果园
这个看似简单的过程，其实凝聚了大疆工程师集体的智慧与心血。这套 AI 系统，是基于深度神经网络搭建的三维模型识别系统，通过对三维点云进行切片，利用三维特征融合对三维模型中的物体进行个体识别，在三维模型中识别出果树、建筑、电线杆、水面等物体。
同时，为了提供流畅的用户体验，AI 系统利用神经网络量化技术对网络模型进行深度压缩，大幅降低三维模型识别的运算耗时与内存消耗。
以上这些专业名词，或许你没有看懂，但你只要记住，这套系统是全球首创的能够识别果树及作业区物体属性的植保机 AI 系统。
三维航线规划与作业
完成了三维模型中的物体识别，并形成三维语义地图后，接下来的事情就轻松了。T16 只需三维语义地图中的果树分布情况，就可以生成高精度、高效率的三维航线规划。
T16 采用这样三维航线规划进行作业，自然有以下的几大优点：
· 航线只经过有果树的地方，跳过非果树区域，同时避开建筑、电线杆，提高飞行效率和安全性。
· 只在果树上方喷洒农药，避免对建筑、水塘等区域的误喷药，提升农药使用率，同时减少农药浪费。
· 根据每颗果树高度，实时调整飞行高度，使得喷头与树的距离保持恒定，提升施药的均匀度。
本期《解码 T16 黑科技》就到这里，欢迎大家在评论区发表看法，我们下期见。
