安旭阳， 苏治宝， 杜志岐， 李兆冬

(中国北方车辆研究所， 北京 100072)

地面无人平台在实际作战环境中，要求能够检测人员或装甲车辆目标信息。传统目标检测算法主要以手工设计的特征描述子对目标外观建模，利用SVM对候选目标分类，常用的特征描述子有SIFT[1]、HOG[2]和LBP[3]。与传统算法相比，深度学习算法不需要手动选择特征，具备良好的特征提取能力，检测精度显著提高。2014年，Grishick等[4]首次将 CNN引入目标检测任务，提出R-CNN网络，采用选择性搜索算法提取图像的候选框，利用AlexNet网络[5]对候选框进行特征提取，最后通过SVM和回归确定目标位置和种类，速度为0.03 fps。双阶段目标检测算法检测精度较高，但检测速度较低，主要有SSP-Net[6]、Fast R-CNN[7]、Mask R-CNN[8]等。2016年，Redmon等[9]提出YOLO系列网络，在CNN中实现候选框生成、特征提取、回归，简化模型复杂度，速度可达45fps。Liu等[10]提出SSD网络，以VGG作为骨干网络，新增卷积层在3个不同尺度上进行检测，平衡检测速度和精度。单阶段目标检测算法通常具有较高的实时性，但检测精度有待提高，主要有YOLO系列[9,11,12]、SSD系列[10]、CornerNet[13]、CenterNet[14]等。

地面无人平台的智能化除需要强大的软件算法支撑，也需要能够承载庞大运算量的硬件平台。国外特斯拉的FSD芯片算力144TOPS，典型功耗72 W，主要用于自己的量产车型。英伟达Xavier算力30TOPS，典型功耗30 W。国内地平线的征程二代芯片算力4TOPS，典型功耗2 W，可用于道路检测。寒武纪的MLU100芯片，算力高达128TOPS，典型功耗20 W，具有“高性能”、“低功耗”特点，可用于图像识别等。

随着地面无人作战平台关键技术的不断突破，开展装备型号研制是必然趋势和预期。……