無人空拍機與人工智慧能夠擦出什麼樣的火花呢？這次要介紹的例子僅是個人的預設立場，但說不定未來也會有什麼幫助喔！

GPU是「Graphics Processing Unit」的縮寫，是處理渲染3D圖形等圖像時所需的計算處理的半導體芯片（處理器）。

電腦和智慧型手機的規格表所記載的CPU信息具有雙核（核數：2），四核（核數：4），八核（核數：8）等符號。在CPU中，它們被並行執行計算處理。 內核數為4（四核）或8（八核）時，性能比內核數為2（雙核）時性能更高。

另一方面，GPU中１個處理器中就具有數千個內核， 非常適合把同樣的指令流並行發送到眾核上，採用不同的輸入數據執行。

專為需要大量計算處理的3D圖形應用程序設計的GPU處理器，而由於其高性能的計算性能，目前正用於圖像處理以及其他目的。

近來，活用GPU來取代CPU搭載的處理器已受到高度關注，這是因為它適用於AI的機器學習方法之一“深度學習”。在深度學習中，機器將大量數據加載到機器中，機器透過從數據本身中提取規律性和特徵來進行學習。 這時，需要大量的計算才能分析大量數據直至深入層次結構。 但是在過去，計算機沒有足夠的處理能力，甚至更無法進行深度學習。

在這方面，具有比CPU高得多的計算性能的GPU服務器可以以相對較低價格中，執行深度學習。

現今，大部分的無人空拍機，為了輔助人力操控飛行，皆能分析來自機器上所安裝的攝像頭或紅外傳感器的信息，以協助進行手動操作。

並且檢測障礙物並警告操作員，執行迴避或停止等處理。雖然現在目前DJI Phantom 4機型也使用28個CPU，約為智慧型手機的兩倍以上。但是對於目視範圍之外的完全自主飛行而言還不足夠。

人工智能無人機正在尋找“思考與飛行”的技術。 而引領全球的AI平台的NVIDIA公司，開始研發使用AI讓無人機自動飛行。

NVIDIA專門研究的AI技術是通過基於高級圖像識別的深度學習模型和稱為“框架”的AI學習模型。通過推理注入大量學習數據（例如圖像）而獲得的深度學習模式，而生成了無人機自主飛行所需的系統。 若是搭載此推論出來的系統，AI無人機實現高度自主的飛行是有可能的。

NVIDIA AI無人機的核心的技術是一台名為JETSON如卡片般大小的AI計算機。無人機搭載JETSON的話，可以透過深度學習中獲得的“推論”來實現自主飛行。

例如，使用JETSON學習了圖像識別的AI無人機將能夠在高空透過相機拍攝的圖像來分析影像並且也能發現人和物體。此外，在基礎設施的檢查上也可以自動檢測裂縫和損壞等問題。

在一個名為Project RED TRAIL的自動飛行無人機的挑戰中，由名為TrailNet DNN的AI針對開源自動駕駛程序實時分析了相機捕獲的圖像，並控制無人機的飛行，成功避開障礙物。

我們預先拍攝要飛行的森林，並將圖像輸入到TrailNet DNN作為學習數據，以實現AI無人機的自主飛行。