本文研究了一种利用最新版本的 You Only Look Once (YOLOv8) 目标检测算法实现无人机 (UAV) 实时障碍物检测与规避的改进方法。虽然传统的避障方法通常依赖于 LiDAR、立体相机等传感器，或尺度不变特征变换 (SIFT) 等特征提取技术，但这些方法可能硬件开销较大，且在动态环境中的适应性较差。所提出的方法利用 YOLOv8 中嵌入的卷积神经网络 (CNN) 进行深度学习，从而高速且高精度地检测和定位障碍物。为了增强规避机动能力，系统集成了一种维度增强算法，该算法分配基于区域的类别权重以确定障碍物的优先级，从而实时影响 UAV 的导航决策。该模型在受控环境中进行了评估，以确保初始测试的精确度。然而，将该性能推广到复杂的室外场景仍面临挑战，文中对此进行了探讨。结果表明，与早期模型相比，YOLOv8 在检测精度和处理速度方面具有显著优势。所提出的方法提供了一种低成本、轻量化传感器的替代方案，提高了 UAV 的自主性。这项工作的贡献在于将一种新颖的基于权重的决策框架与 YOLOv8 相结合应用于 UAV，为未来的实际部署提供了一种可扩展的方法。
Vohra et al. (Thu,) 对这一问题进行了研究。