随着汽车保有量的不断增长,交通拥堵日益成为一个亟待解决的问题,而交通流的实时检测是解决交通拥堵问题的核心。通过分析现有交通流检测方法的优缺点,考虑到无人机机动性强、成本低、视域好的优点,提出采用无人机自主去实现道路交通流的检测。然而现有无人机在GPS较弱环境中很难进行自主飞行且不具备交通流检测的功能,因此本文以道路交通流检测为背景,在自动驾驶软件PX4的基础上,对飞控平台自主飞行的方法进行研究,旨在实现无人机的自主飞行,为交通流检测提供一种解决方案。论文的主要研究内容如下:(1)建立面向飞控平台的实时道路目标深度神经网络检测模型。针对现有目标检测模型无法满足道路目标检测准确性和实时性的要求,为提高道路目标检测的准确性和实时性,分析现有目标检测模型的优缺点,提出一种基于残差块和多尺度特征进行特征提取、基于Logistic分类器进行分类、采用Anchor进行道路目标边界框预测、基于回归思想进行道路目标分类和定位的实时道路目标检测模型,并通过实验对本模型的准确性和实时性进行测试。(2)建立面向飞控平台的无监督单目深度估计模型。受双目深度估计原理的启发,提出重构虚拟相机而实现单目深度估计的无监督单目深度估计模型,进而将无监督单目深度估计问题转化为图像重构问题:为提高单目深度估计的精度,对输入的图片进行金字塔化处理,基于残差的粗特征提取网络与基于反卷积的细特征提取网络进行图像重构,构建基于相对应视图重构损失、视差光滑性损失、深度图一致性损失的联合损失函数;最后通过对比实验、消融实验、泛化实验充分验证本模型深度估计的效果。(3)建立面向飞控平台的深度神经网络自主循迹模型。分析现有基于视觉四旋翼无人机自主循迹模型的优缺点和四旋翼无人机的飞行原理,将基于视觉的四旋翼无人机自主循迹问题转化为图像分类问题,提出面向飞控平台的深度神经网络自主循迹模型;为提高自主循迹模型的准确性和实时性,基于残差神经网络进行特征提取,采用Leaky RELU作为激活函数,在交叉熵损失函数中引入标签光滑性损失;最后通过实验对本模型的准确性和实时性进行测试。(4)完成面向道路车流检测的飞控平台自主飞行系统搭建与实验。为验证上述算法所搭建的面向道路车流检测的飞控平台自主飞行系统的可行性,考虑到直接将系统在真实道路实验的危险性,提出仿针与道路实验相结合的方式去测试本文所搭建系统的性能。为便于对四旋翼无人机的二次开发,基于Pixhawk飞控、NVIDIA Jetson TX2完成硬件平台的搭建;为便于对上述算法的性能进行测试,基于ROS、PX4完成软件系统的搭建;紧接着基于Gazebo完成仿真环境的搭建,并基于仿真环境从PX4固件性能测试、Offboard模型可靠性测试、基于ROS上层算法测试和基于视频的四旋翼无人机模拟飞行四方面验证本系统的可靠性;最后在真实道路进行实验验证,实验结果表明本文提出的面向道路车流检测的飞控平台自主飞行方法可以实现四旋翼无人机的自主飞行。