‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
積，同時也表示無人機目前的狀態為為無人機在線條寬度內或是無人機有看到線 條但不在線條寬度內上。
圖 3.9：經過二次影像分割的最大輪廓黑白影像
雙層二維方向向量機率模型中的外圍的單層二維方向向量機率模型與內圈的 單層二維方向向量機率模型之建構與認知與本章 3.3 節所描述的單層二維方向向 量機率模型一樣，對於飛行方向的選擇與飛行座標的判斷亦一樣。然而由於外圍的 單層二維方向向量機率模型主要作為無人機自身位置校正之判斷，因此在調整上 會比原本的速度還慢(經過測試，以 1.5 倍λ進行修正)，只要讓無人機內圈的單層二 維方向向量機率模型能計算出欲跟隨線條輪廓之面積就行。外圍的單層二維方向 向量機率模型之向量計算與公式 3.9 一樣，而向量的調整依據公式 3.12 進行，無 人機將以調整過的向量進行移動控制，直到內圈的單層二維方向向量機率模型能 計算出欲跟隨線條輪廓之面積。
𝑉𝑦= ∆𝑦
1.5 ∗ λ
𝑉𝑧= ∆𝑧
1.5 ∗ λ
3.12(a)
3.12(b)
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
內圈的單層二維方向向量機率模型主要作為飛行方向之選擇與飛行座標之判 斷，飛行方向與公式 3.9 一樣。然而因為內圈的單層二維方向向量機率模型之方位 判讀空間區域較外圍的單層二維方向向量機率模型之方位判讀空間區域小，因此 內圈的單層二維方向向量機率模型判斷出的飛行座標與外圍的單層二維方向向量 機率模型不一樣，向量的調整也不一樣。內圈的單層二維方向向量機率模型之向量 的調整方式與本章節 3.2 基於向量域的線條跟隨方法相符，因此依據公式 3.5 進行 調整，無人機將以調整過的向量進行移動控制，直到終點完成線條跟隨。
圖 3.10：雙層二維方向向量機率模型之狀態轉換
左為第一秒的狀態轉換(對應圖 3.9 左)，右為第二秒的狀態轉換(對應圖 3.9 右) 黑色線條為內圈二維方向向量機率模型之轉換機率
棕線為外圍二維方向向量機率模型之轉換機率
圖 3.10 為雙層二維方向向量機率模型之狀態轉換，S0為無人機有看到線條但 不在線條寬度內，S1為無人機在線條寬度內，S2為無人機沒看到線條。在第一秒 (左)的當前線條跟隨的狀態為 S0，藉由雙層二維方向向量機率模型的計算，由於內 圈的二維方向向量機率模型偵測的到跟隨線條，因此外圍的二維方向向量機率模 型之機率值皆為 0。內圈的二維方向向量機率模型因為往左方移動的機率最大 (0.41268)，並會使狀態轉換至 S0，因此選擇往左方移動。在第二秒(右)，當前線條 跟隨的狀態將會依據偵測結果改變，這時候無人機的左上、上以及右上皆沒有偵測
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
到線條，因此狀態變為 S2。且由於上一秒選擇往左，因此反方向的線條為跟隨過 的線條，即便往反方向會使狀態變為 S1，無人機亦不會選擇，最後將依照原方向 進行跟隨。
圖 3.11 與圖 3.12 分別以視覺方式呈現雙層二維方向向量機率模型的運作。圖 3.11 之左圖為雙層二維方向向量機率模型對影像進行判斷，由於內圈(以綠線框住) 的單層二維方向向量機率模型無法計算出欲跟隨線條輪廓之面積，方位判讀空間 區域的機率值皆為 0。而外圍的單層二維方向向量機率模型有計算出欲跟隨線條輪 廓之面積，在左上(方向索引 0)以及上(方向索引 1)有機率值，而上(方向索引 1)的 機率值又比左上(方向索引 0)還高，因此外圍的單層二維方向向量機率模型決定往 上進行無人機自身位置校正之判斷。右圖中綠色的區域為外圍的單層二維方向向 量機率模型所選擇的方位判讀空間區域，黑色的點為飛行座標，紅色的點為影像中 心，無人機將往飛行座標移動。
圖 3.12 之左圖為雙層二維方向向量機率模型對影像進行判斷，由於內圈(以綠 線框住)的單層二維方向向量機率模型可以計算出欲跟隨線條輪廓之面積，因此將 進行飛行方向之選擇，在內圈的單層二維方向向量機率模型分別有兩個方向索引 有機率值，分別是左(方向索引 3)以及右上(方向索引 2)，由於左的機率值比右上 大，因此將選擇左做為飛行方向進行移動。右圖中綠色的區域為選擇的方位判讀空 間區域，黑色的點為飛行座標，淡紅色的區域為無人機目前所在的區域，紅色的點 為畫面中心，左上的數字為選擇方位判讀空間區域之機率值，無人機將往飛行座標 移動。
‧
0.42423 0.57577
飛行座標