Drones Help Drones: A Collaborative Framework for Multi-Drone Object Trajectory Prediction and Beyond

协作轨迹预测可以通过多视角补充信息全面地预测物体未来的运动。然而，在多个无人机协作的情况下，它遇到了两个主要挑战。广泛的空中观察使得生成精确的俯视图表示变得困难。此外，过多的交互不能满足在受限的基于无人机通信带宽内的实时预测要求。为了解决这些问题，我们提出了一种新的框架，名为“无人机相助”（DHD）。首先，我们将无人机的倾斜观察提供的地面先验信息纳入考虑，以估计物体与无人机之间的距离，从而实现更精确的俯视图生成。其次，我们设计了一种基于局部特征差异的选择机制，在无人机之间的交互中优先考虑对预测任务有贡献的关键信息。此外，我们创建了第一个用于多无人机协作预测的数据集，名为“Air-Co-Pred”，并进行了定量和定性实验，以验证我们DHD框架的有效性。结果表明，与最先进的方法相比，DHD在俯视图表示中减少了超过20%的位置偏差，并且在实现可比的预测性能的同时，只需要四分之一的交互传输比。此外，DHD还在CoPerception-UAVs的协作三维物体检测方面显示出有前途的泛化能力。

论文旨在解决多个无人机协同预测中的两个主要挑战：生成精确的鸟瞰图表示和实时预测要求下的通信带宽限制。

论文提出了一种名为“Drones Help Drones”的框架，通过整合倾斜观测提供的地面先验信息来估计物体和无人机之间的距离，从而提高鸟瞰图的精度。此外，通过基于局部特征差异的选择机制，优先考虑对预测任务有贡献的关键信息，以满足实时预测要求。

论文提出了一个新的框架，通过实验验证了其有效性。同时，还创建了一个名为“Air-Co-Pred”的数据集，并展示了该框架在协同三维物体检测方面的潜力。相比现有方法，DHD在鸟瞰图表示中减少了超过20％的位置偏差，并且仅需要四分之一的传输比率即可实现可比较的预测性能。

最近的相关研究包括：'Multi-Drone Vision and Control: A Survey'、'Deep Drone Racing: From Simulation to Reality with Domain Randomization'、'Multi-Drone Perception and Control: From Decentralized Deep Learning to Cooperative Decision Making'等。