Drones : Ton nouveau guide dans le ciel
Des drones intelligents aident les personnes malvoyantes à se déplacer en toute sécurité et en autonomie.
Suman Raj, Radhika Mittal, Harshil Gupta, Yogesh Simmhan
― 7 min lire
Table des matières
- Qu'est-ce qui se passe ?
- Comment fonctionnent ces drones ?
- Le problème du timing
- Prendre des décisions intelligentes
- Tester les eaux
- Les drones en action
- Pas deux drones pareils
- Le terrain de jeu des drones
- Renforcer la Connectivité
- Améliorer l'expérience
- Construire un avenir intelligent
- Conclusion
- Source originale
- Liens de référence
Dans un monde où les drones bourdonnent comme des abeilles, on essaie de les faire faire plus que juste prendre des belles photos. Ils se transforment en compagnons utiles pour les personnes malvoyantes. Ces drones, équipés de technologie intelligente, peuvent guider les malvoyants (VIPs) dans leur environnement, leur permettant de vivre plus indépendamment et en toute sécurité.
Qu'est-ce qui se passe ?
Imagine un drone comme un pote, qui garde un œil sur un VIP, s'assurant qu'il n'ait pas à zigzaguer dans les parcs, les rues ou même dans les supermarchés sans se prendre les pieds dans quelque chose. Les drones utilisent des caméras et un logiciel spécial pour analyser la vidéo en temps réel, identifiant les obstacles et guidant le VIP sur le chemin. Trop cool, non ?
Comment fonctionnent ces drones ?
Ces drones peuvent soit faire leurs calculs tout seul (c'est ce qu'on appelle le edge computing), soit envoyer les données vers un service cloud (pense à ça comme un cerveau lointain) pour un traitement plus complexe. Le choix entre ces deux options dépend de plusieurs facteurs, comme la rapidité avec laquelle une tâche doit être effectuée et à quel point le drone est occupé à ce moment-là.
Disons que le drone repère un trottoir en face. Il doit vite décider s'il doit analyser cette info sur place ou l'envoyer dans le cloud. Faire le bon choix est crucial car ça peut changer la rapidité et l'efficacité avec lesquelles le drone aide le VIP.
Le problème du timing
Quand un VIP est dehors, il n'a pas de temps à perdre. Si le drone ne peut pas traiter sa vidéo assez vite pour les avertir d'un danger, ce n'est pas très utile. Les drones doivent respecter des délais stricts pour de nombreuses tâches en même temps, et ce n'est pas de la tarte vu les conditions toujours changeantes dans lesquelles ils évoluent.
Par exemple, si un drone est trop lent à reconnaître une voiture qui arrive vite, ça pourrait tourner au drame. Donc, il est super important d'avoir un système de Planification intelligent qui s'assure que ces tâches soient menées à bien à temps, que ce soit sur le drone lui-même ou envoyé dans le cloud.
Prendre des décisions intelligentes
Pour relever ces défis, les drones utilisent un système de planification intelligent. Ce système examine l'urgence et les exigences des différentes tâches, comme détecter des obstacles ou suivre le VIP. En priorisant les tâches et en décidant s'il faut les gérer sur place ou dans le cloud, le drone peut optimiser son efficacité.
Pense à ça comme à une cuisine de restaurant. Le chef doit décider s'il doit cuire un plat rapidement ou prendre le temps de préparer quelque chose de plus élaboré. Les décisions rapides mènent souvent à des clients satisfaits, tout comme un traitement rapide du drone permet une navigation plus sûre pour les VIP.
Tester les eaux
L'efficacité de ce système est testée de deux manières : dans des environnements simulés et dans des scénarios réels. Dans des cadres contrôlés, des simulations avec plusieurs drones peuvent établir une performance de base. Les drones sont mis à l'épreuve, gérant une variété de tâches tout en s'adaptant à des conditions variées, comme la vitesse du réseau et la complexité des tâches.
Puis vient la partie amusante – les tests en conditions réelles ! Les drones sont utilisés concrètement, assistant des VIP tout en étant surveillés pour évaluer leur performance. Cela valide non seulement la technologie, mais aide aussi à peaufiner les algorithmes de planification basés sur des données réelles.
Les drones en action
Ces drones amis sont conçus pour assister les VIP de plusieurs manières :
- Détection d'obstacles : S'il y a une bosse sur la route ou un chien en laisse, le drone le repérera et alertera le VIP.
- Aide à la navigation : Le drone peut aider à guider le VIP vers l'endroit désiré, s'assurant qu'il ne dévie pas de son chemin.
- Aide d'urgence : En cas de chute soudaine ou de détresse, le drone peut appeler à l'aide ou aller chercher du secours.
Pas deux drones pareils
Les drones viennent dans différentes formes et tailles, chacun avec des capacités uniques. Certains peuvent être légers et parfaits pour des vols rapides en milieu urbain, tandis que d'autres sont équipés pour des tâches plus lourdes, comme transporter des fournitures ou fournir une assistance médicale à distance.
Par exemple, imagine un petit quadricoptère conçu pour transporter une caméra par rapport à un drone plus robuste capable de livrer un colis. Chaque type a des usages spécifiques, ce qui peut améliorer l'expérience des VIP selon leurs besoins.
Le terrain de jeu des drones
Ces avancées ont mené à la création de nombreux cas d'utilisation passionnants pour les drones en milieu urbain. De la surveillance de la sécurité dans des environnements bondés à l'aide à la réponse aux désastres, le potentiel est immense. Les drones pourraient même aider dans le secteur de la santé en livrant directement des fournitures aux hôpitaux en cas d'urgence.
Connectivité
Renforcer laPour que ces drones fonctionnent de manière optimale, ils doivent communiquer efficacement avec leurs stations de base où les données sont traitées. Que ce soit via Wi-Fi ou réseaux cellulaires, la connexion doit garantir que les données circulent rapidement et de manière fiable pour respecter les délais.
Avec les environnements urbains remplis d'obstacles, maintenir une connexion forte et constante peut être un défi. Pense à ça comme essayer d'avoir une conversation téléphonique en marchant dans un marché bondé tout en évitant les gens et les chariots. Ça peut devenir compliqué !
Améliorer l'expérience
En plus de se concentrer sur l'accomplissement des tâches, s'assurer que le VIP ait une bonne expérience est aussi super important. Ça signifie que le système doit fournir des informations précises et en temps voulu à l'utilisateur. Si un drone met trop de temps à répondre, ça peut créer de la frustration, ce qui annule son but.
En mesurant la performance du système, les ingénieurs peuvent faire des ajustements pour améliorer à la fois la qualité du service et l'expérience globale de l'utilisateur. Après tout, personne ne veut se sentir comme un simple tas de tâches sur une chaîne de production !
Construire un avenir intelligent
Avec le développement de plus de drones, l'espoir est qu'ils puissent fonctionner sans accroc dans les milieux urbains, travaillant ensemble comme une machine bien huilée. Les drones peuvent partager des données entre eux, permettant une meilleure prise de décision et des temps de réponse plus rapides.
Imagine un essaim de drones volant ensemble, analysant des informations en temps réel et communiquant entre eux pour fournir la meilleure assistance possible aux VIPs. Cet effort coordonné pourrait faire une énorme différence dans la vie de nombreuses personnes.
Conclusion
L'avenir des drones comme technologies d'assistance pour les personnes malvoyantes est prometteur. Grâce aux avancées dans les algorithmes de planification, la connectivité et le traitement intelligent, ces compagnons volants peuvent avoir un impact significatif sur la vie de nombreux utilisateurs, les aidant à naviguer en toute sécurité et efficacement dans leur environnement.
Alors, la prochaine fois que tu vois un drone survoler, sache qu'il pourrait être plus qu'un simple gadget sympa. Ça pourrait être ton pote, veillant attentivement et rendant le monde un peu plus facile à naviguer.
Source originale
Titre: Adaptive Heuristics for Scheduling DNN Inferencing on Edge and Cloud for Personalized UAV Fleets
Résumé: Drone fleets with onboard cameras coupled with computer vision and DNN inferencing models can support diverse applications. One such novel domain is for one or more buddy drones to assist Visually Impaired People (VIPs) lead an active lifestyle. Video inferencing tasks from such drones can help both navigate the drone and provide situation awareness to the VIP, and hence have strict execution deadlines. We propose a deadline-driven heuristic, DEMS-A, to schedule diverse DNN tasks generated continuously to perform inferencing over video segments generated by multiple drones linked to an edge, with the option to execute on the cloud. We use strategies like task dropping, work stealing and migration, and dynamic adaptation to cloud variability, to guarantee a Quality of Service (QoS), i.e. maximize the utility and the number of tasks completed. We also introduce an additional Quality of Experience (QoE) metric useful to the assistive drone domain, which values the frequency of success for task types to ensure the responsiveness and reliability of the VIP application. We extend our DEMS solution to GEMS to solve this. We evaluate these strategies, using (i) an emulated setup of a fleet of over 80 drones supporting over 25 VIPs, with real DNN models executing on pre-recorded drone video streams, using Jetson Nano edges and AWS Lambda cloud functions, and (ii) a real-world setup of a Tello drone and a Jetson Orin Nano edge generating drone commands to follow a VIP in real-time. Our strategies present a task completion rate of up to 88%, up to 2.7x higher QoS utility compared to the baselines, a further 16% higher QoS utility while adapting to network variability, and up to 75% higher QoE utility. Our practical validation exhibits task completion of up to 87% for GEMS and 33% higher total utility of GEMS compared to edge-only.
Auteurs: Suman Raj, Radhika Mittal, Harshil Gupta, Yogesh Simmhan
Dernière mise à jour: 2024-12-30 00:00:00
Langue: English
Source URL: https://arxiv.org/abs/2412.20860
Source PDF: https://arxiv.org/pdf/2412.20860
Licence: https://creativecommons.org/licenses/by-nc-sa/4.0/
Changements: Ce résumé a été créé avec l'aide de l'IA et peut contenir des inexactitudes. Pour obtenir des informations précises, veuillez vous référer aux documents sources originaux dont les liens figurent ici.
Merci à arxiv pour l'utilisation de son interopérabilité en libre accès.
Liens de référence
- https://tex.stackexchange.com/questions/664/why-should-i-use-usepackaget1fontenc
- https://tex.stackexchange.com/questions/2369/why-do-the-less-than-symbol-and-the-greater-than-symbol-appear-wrong-as
- https://www.ctan.org/pkg/ifpdf
- https://www.ctan.org/pkg/cite
- https://www.ctan.org/pkg/graphicx
- https://www.ctan.org/pkg/epslatex
- https://www.tug.org/applications/pdftex
- https://www.ctan.org/pkg/amsmath
- https://www.ctan.org/pkg/subfig
- https://comments.gmane.org/gmane.editors.lyx.general/68611
- https://www.ryzerobotics.com/tello
- https://developer.nvidia.com/embedded/learn/get-started-jetson-nano-devkit
- https://developer.nvidia.com/embedded/learn/get-started-jetson-orin-nano-devkit
- https://aws.amazon.com/lambda/pricing/
- https://sumo.dlr.de/docs/index.html
- https://www.nsnam.org/
- https://www.sciencedirect.com/science/article/pii/S0167739X21000704
- https://www.sciencedirect.com/science/article/pii/S0167739X18303327
- https://dl.acm.org/doi/abs/10.1145/3140256
- https://onlinelibrary.wiley.com/doi/abs/10.1002/spe.2699
- https://www.sciencedirect.com/science/article/pii/S0743731518302661
- https://www.sciencedirect.com/science/article/pii/S0743731518301771
- https://ieeexplore.ieee.org/abstract/document/9723632
- https://www.sciencedirect.com/science/article/pii/S0167739X19330961
- https://www.sciencedirect.com/science/article/pii/S0167739X18318703
- https://www.sciencedirect.com/science/article/pii/S0167739X18319770
- https://onlinelibrary.wiley.com/doi/abs/10.1002/spe.2392
- https://github.com/ultralytics/ultralytics
- https://github.com/NVIDIA-AI-IOT/trt_pose_hand
- https://github.com/nianticlabs/monodepth2
- https://github.com/AIZOOTech/FaceMaskDetection
- https://www.tp-link.com/in/home-networking/adapter/tl-wn722n/
- https://drive.google.com/file/d/1qAhXa_NEZlMclfevG0aRnnQGDmbDvGoW/view?usp=sharing