論文の概要: Local Motion Planner for Autonomous Navigation in Vineyards with a RGB-D
Camera-Based Algorithm and Deep Learning Synergy
- arxiv url: http://arxiv.org/abs/2005.12815v1
- Date: Tue, 26 May 2020 15:47:42 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-28 23:21:36.771153
- Title: Local Motion Planner for Autonomous Navigation in Vineyards with a RGB-D
Camera-Based Algorithm and Deep Learning Synergy
- Title（参考訳）: rgb-dカメラベースアルゴリズムとディープラーニングシナジーを用いたブドウ畑における自律ナビゲーションのための局所運動プランナー
- Authors: Diego Aghi, Vittorio Mazzia, Marcello Chiaberge
- Abstract要約: 本研究では、ブドウ畑における自律走行のための低コストな局所移動プランナを提案する。
最初のアルゴリズムは、不均一マップとその深さ表現を利用して、ロボットプラットフォームに対する比例制御を生成する。
第2のバックアップアルゴリズムは、学習の学習に基づいており、照明の変動に耐性があり、第1ブロックが瞬間的に故障した場合にマシンを制御できる。
- 参考スコア（独自算出の注目度）: 1.0312968200748118
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: With the advent of agriculture 3.0 and 4.0, researchers are increasingly
focusing on the development of innovative smart farming and precision
agriculture technologies by introducing automation and robotics into the
agricultural processes. Autonomous agricultural field machines have been
gaining significant attention from farmers and industries to reduce costs,
human workload, and required resources. Nevertheless, achieving sufficient
autonomous navigation capabilities requires the simultaneous cooperation of
different processes; localization, mapping, and path planning are just some of
the steps that aim at providing to the machine the right set of skills to
operate in semi-structured and unstructured environments. In this context, this
study presents a low-cost local motion planner for autonomous navigation in
vineyards based only on an RGB-D camera, low range hardware, and a dual layer
control algorithm. The first algorithm exploits the disparity map and its depth
representation to generate a proportional control for the robotic platform.
Concurrently, a second back-up algorithm, based on representations learning and
resilient to illumination variations, can take control of the machine in case
of a momentaneous failure of the first block. Moreover, due to the double
nature of the system, after initial training of the deep learning model with an
initial dataset, the strict synergy between the two algorithms opens the
possibility of exploiting new automatically labeled data, coming from the
field, to extend the existing model knowledge. The machine learning algorithm
has been trained and tested, using transfer learning, with acquired images
during different field surveys in the North region of Italy and then optimized
for on-device inference with model pruning and quantization. Finally, the
overall system has been validated with a customized robot platform in the
relevant environment.
- Abstract（参考訳）: 農業3.0と4.0の出現により、研究者たちは農業プロセスに自動化とロボティクスを導入することで、革新的なスマート農業と精密農業技術の開発にますます注力している。
農業機械は、コスト、人的負荷、必要な資源を減らすために、農家や産業から大きな注目を集めている。
ローカライゼーション、マッピング、パスプランニングは、マシンに、半構造化および非構造化環境で動作するための適切なスキルセットを提供することを目的とした、いくつかのステップの一部にすぎない。
本研究では,rgb-dカメラ,低域ハードウェア,二重層制御アルゴリズムのみに基づいて,ブドウ畑における自律的ナビゲーションのための低コストな局所運動プランナーを提案する。
最初のアルゴリズムは、不均一マップとその深さ表現を利用して、ロボットプラットフォームに対する比例制御を生成する。
同時に、第2のバックアップアルゴリズムは、表示学習に基づいて、照明変動に弾力性があり、第1のブロックが瞬時に故障した場合に機械を制御することができる。
さらに、システムの二重性のため、ディープラーニングモデルを初期データセットで初期訓練した後、この2つのアルゴリズム間の厳密な相乗効果により、フィールドから来る新しいラベル付きデータを利用して既存のモデルの知識を拡張することが可能となる。
機械学習アルゴリズムは、トランスファーラーニングを使用してトレーニングとテストが行われ、取得した画像がイタリア北部でのさまざまなフィールドサーベイで取得され、モデルプラニングと量子化によるデバイス上の推論に最適化された。
最後に、システム全体は、関連する環境でカスタマイズされたロボットプラットフォームで検証されている。
関連論文リスト
- Current applications and potential future directions of reinforcement learning-based Digital Twins in agriculture [2.699900017799093]
本研究は, 農業環境における強化学習を活用した既存の研究を, ロボット工学, 温室管理, 灌水システム, 作物管理などの応用分野によって分類することを目的としている。
また、表式手法、ディープQネットワークワークス(DQN)、ポリシーグラディエント手法、アクタ・クリティカルアルゴリズムなど、使用する強化学習技術も分類する。
このレビューは、Digital Twinsの統合と農業における強化学習の最先端に関する洞察を提供することを目指している。
論文 参考訳（メタデータ） (2024-06-13T06:38:09Z) - Open-sourced Data Ecosystem in Autonomous Driving: the Present and Future [130.87142103774752]
このレビューは、70以上のオープンソースの自動運転データセットを体系的に評価する。
高品質なデータセットの作成の基礎となる原則など、さまざまな側面に関する洞察を提供する。
また、解決を保障する科学的、技術的課題も検討している。
論文 参考訳（メタデータ） (2023-12-06T10:46:53Z) - RoboGen: Towards Unleashing Infinite Data for Automated Robot Learning via Generative Simulation [68.70755196744533]
RoboGenはジェネレーティブなロボットエージェントで、ジェネレーティブなシミュレーションを通じて、さまざまなロボットのスキルを自動的に学習する。
我々の研究は、大規模モデルに埋め込まれた広範囲で多目的な知識を抽出し、それらをロボット工学の分野に移す試みである。
論文 参考訳（メタデータ） (2023-11-02T17:59:21Z) - Don't Start From Scratch: Leveraging Prior Data to Automate Robotic
Reinforcement Learning [70.70104870417784]
強化学習(RL)アルゴリズムは、ロボットシステムの自律的なスキル獲得を可能にするという約束を持っている。
現実のロボットRLは、通常、環境をリセットするためにデータ収集と頻繁な人間の介入を必要とする。
本研究では,従来のタスクから収集した多様なオフラインデータセットを効果的に活用することで,これらの課題にどのように対処できるかを検討する。
論文 参考訳（メタデータ） (2022-07-11T08:31:22Z) - Position-Agnostic Autonomous Navigation in Vineyards with Deep
Reinforcement Learning [1.2599533416395767]
そこで本稿では, 高精度な局所化データを活用することなく, フレキシブルな学習アプローチでタスク調整アルゴリズムを克服することなく, 自動ブドウ園ナビゲーションの課題に対処する, 最先端の軽量ソリューションを提案する。
我々は、ノイズの多い深度画像と位置認識ロボットの状態情報を速度コマンドに直接マッピングし、ロボットを行の端まで案内し、衝突のない中心軌道への進路を連続的に調整するエンドツーエンドのセンサモレータエージェントを訓練する。
論文 参考訳（メタデータ） (2022-06-28T17:03:37Z) - Navigational Path-Planning For All-Terrain Autonomous Agricultural Robot [0.0]
本報告は農地の自律ナビゲーションのための新しいアルゴリズムの比較である。
インドの環境に特有な高解像度グリッドマップ表現について検討する。
その結果、自律的なフィールドナビゲーションとロボット経路計画の実現性にアルゴリズムが適用可能であることが証明された。
論文 参考訳（メタデータ） (2021-09-05T07:29:13Z) - SABER: Data-Driven Motion Planner for Autonomously Navigating
Heterogeneous Robots [112.2491765424719]
我々は、データ駆動型アプローチを用いて、異種ロボットチームをグローバルな目標に向けてナビゲートする、エンドツーエンドのオンラインモーションプランニングフレームワークを提案する。
モデル予測制御(SMPC)を用いて,ロボット力学を満たす制御入力を計算し,障害物回避時の不確実性を考慮した。
リカレントニューラルネットワークは、SMPC有限時間地平線解における将来の状態の不確かさを素早く推定するために用いられる。
ディープQ学習エージェントがハイレベルパスプランナーとして機能し、SMPCにロボットを望ましいグローバルな目標に向けて移動させる目標位置を提供する。
論文 参考訳（メタデータ） (2021-08-03T02:56:21Z) - Deep Semantic Segmentation at the Edge for Autonomous Navigation in
Vineyard Rows [0.0]
精密農業は、農業プロセスに安価で効果的な自動化を導入することを目的としている。
提案する制御は,機械認識技術とエッジAI技術の最新技術を活用して,ブドウ畑の列内における高精度で信頼性の高いナビゲーションを実現する。
制御アルゴリズム自体によって生成されたセグメンテーションマップは、作物の状態の植物性評価のためのフィルタとして直接利用することができる。
論文 参考訳（メタデータ） (2021-07-01T18:51:58Z) - Simultaneous Navigation and Construction Benchmarking Environments [73.0706832393065]
モバイル構築のためのインテリジェントなロボット、環境をナビゲートし、幾何学的設計に従ってその構造を変更するプロセスが必要です。
このタスクでは、ロボットのビジョンと学習の大きな課題は、GPSなしでデザインを正確に達成する方法です。
我々は,手工芸政策の性能を,基礎的なローカライゼーションと計画,最先端の深層強化学習手法を用いて評価した。
論文 参考訳（メタデータ） (2021-03-31T00:05:54Z) - Domain Adaptive Robotic Gesture Recognition with Unsupervised
Kinematic-Visual Data Alignment [60.31418655784291]
本稿では,マルチモダリティ知識,すなわちキネマティックデータとビジュアルデータを同時にシミュレータから実ロボットに伝達できる,教師なしドメイン適応フレームワークを提案する。
ビデオの時間的手がかりと、ジェスチャー認識に対するマルチモーダル固有の相関を用いて、トランスファー可能な機能を強化したドメインギャップを修復する。
その結果, 本手法は, ACCでは最大12.91%, F1scoreでは20.16%と, 実際のロボットではアノテーションを使わずに性能を回復する。
論文 参考訳（メタデータ） (2021-03-06T09:10:03Z) - A Robust Real-Time Computing-based Environment Sensing System for
Intelligent Vehicle [5.919822775295222]
低消費電力のモバイルプラットフォームをベースとしたリアルタイム運転支援システムを構築した。
このシステムは、ステレオマッチングアルゴリズムと機械学習に基づく障害物検出アプローチを組み合わせたリアルタイムマルチスキーマ統合イノベーションシステムである。
実験結果から,インテリジェントな車両に対して,堅牢で正確なリアルタイム環境認識を実現することができることがわかった。
論文 参考訳（メタデータ） (2020-01-27T10:47:50Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。