图10 地图中试飞的轨迹（FCNN、CNN、RNN、3D-CNN）

将每次试飞的最远行进点进行比较，计算每个神经网络相对于测试图的均值和标准差。由于成功率仅提供了对试验是否成功的性能评估，因此可以通过分析最远行进点的分布来进行更有效的评估。这样的评估标准在飞行路径的一致性方面提供了对神经网络性能的进一步了解。所有三种测试地图场景的结果如图 11所示。

图11 最远点评估

每个图中的水平虚线代表起点和终点，其中y轴上的0是起点，24是地图的终点。盒子的上下边缘代表采集到的最远点分布的上下四分位数，因此盒子的高度代表数据的四分位数间距。每个箱线图的上下限，或须线，表示数据集的最大值和最小值在四分位距的 1.5倍以内，方框中间的红色水平线表示收集的积分。位于框外的红叉是位于胡须范围之外的数据点。

结果表明，就所有三个测试地图的性能而言，3D-CNN是最一致的。虽然 RNN 能够表现出相当好的结果，但收集到的数据点的变化大于 3D-CNN，表明性能不太一致。在大多数测试场景中，CNN 也被证明能够跨越一半以上的地图，而 FCNN 在一致性和最大行驶距离方面都不太成功。

源自：International Journal of Aeronautical and Space Sciences (2020) 21:768–779 https://doi.org/10.1007/s42405-020-00254-x

以上内容为高博特编辑选取的热点新闻，尊重原创，如有侵权请联系删除。