无人机监测系统的仿真辅助性能设计方法SPADE：基于YOLOv5的生态监测案例研究

为解决无人机(UAV)监测系统设计中性能指标复杂权衡的难题，研究人员提出SPADE框架，整合飞行仿真、边缘计算性能剖析与随机Petri网(SPN)建模，通过YOLOv5目标检测案例揭示了图像分辨率与计算模式对系统性能(如检测精度、能耗、可用性)的影响机制，为跨层优化提供理论支撑。

　　

随着无人机(UAV)在植被监测、野生动物追踪等场景的广泛应用，系统设计面临性能(Performance)、可用性(Availability)与能耗的"不可能三角"挑战。传统纯建模方法依赖假设参数，而实物测试又成本高昂，导致理论与实践的鸿沟。这一背景下，研究人员提出SPADE框架，通过虚拟仿真与真实硬件联动的创新方法，为无人机系统设计提供量化决策工具。

研究团队采用三阶段技术路线：首先通过AirSim模拟器生成逼真飞行场景视频；随后在树莓派4B边缘设备上运行YOLOv5目标检测算法，采集帧率(FPS)、精度(mAP)等关键指标；最后构建随机Petri网(SPN)模型，结合实测数据预测长期系统可用性。特别关注边缘计算与雾计算(Fog Computing)两种模式在不同网络条件下的表现。

Experiment results
边缘处理模式下，YOLOv5在640×480分辨率时实现最佳精度-能耗平衡，帧率稳定在8.3 FPS，但电池续航仅2.1小时。雾计算模式虽提升处理速度至15.7 FPS，但网络延迟导致可用性波动达23%。

Model construction and analysis
SPN模型显示：当图像分辨率从1080p降至480p，系统可用性提升41%，但目标检测平均精度(mAP)仅降低7.2%。敏感度分析指出电池故障率是影响长期可用性的主导因素。

Discussion
研究首次量化揭示了分辨率选择对UAV系统"质量立方体"(精度-能耗-可用性)的非线性影响。相比传统单一方法评估，SPADE框架将设计迭代周期缩短60%，且预测结果与实物测试误差小于8%。

这项发表于《Future Generation Computer Systems》的工作，通过仿真-实验-建模的三元融合方法，为无人机监测系统设计建立了可扩展的评估范式。特别是提出的计算模式选择矩阵，可直接指导实际应用中分辨率、卸载策略等关键参数的优化配置，对灾害监测、生态保护等时效敏感场景具有重要实践价值。