論文の概要: Autonomous and cooperative design of the monitor positions for a team of
UAVs to maximize the quantity and quality of detected objects
- arxiv url: http://arxiv.org/abs/2007.01247v1
- Date: Thu, 2 Jul 2020 16:52:57 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-14 14:47:00.771450
- Title: Autonomous and cooperative design of the monitor positions for a team of
UAVs to maximize the quantity and quality of detected objects
- Title（参考訳）: 検出対象物の量と品質を最大化するためのuavチームにおける監視位置の自律的・協調的設計
- Authors: Dimitrios I. Koutras, Athanasios Ch. Kapoutsis and Elias B.
Kosmatopoulos
- Abstract要約: 本稿では、完全に未知の地形内にUAVの群れを配置する問題に取り組む。
YOLOv3と複製対象を識別するシステムを用いて、各UAVの構成に1つのスコアを割り当てた。
予め定義されたスコアを最適化できる新しいナビゲーションアルゴリズムを提案する。
- 参考スコア（独自算出の注目度）: 0.5801044612920815
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper tackles the problem of positioning a swarm of UAVs inside a
completely unknown terrain, having as objective to maximize the overall
situational awareness. The situational awareness is expressed by the number and
quality of unique objects of interest, inside the UAVs' fields of view. YOLOv3
and a system to identify duplicate objects of interest were employed to assign
a single score to each UAVs' configuration. Then, a novel navigation algorithm,
capable of optimizing the previously defined score, without taking into
consideration the dynamics of either UAVs or environment, is proposed. A
cornerstone of the proposed approach is that it shares the same convergence
characteristics as the block coordinate descent (BCD) family of approaches. The
effectiveness and performance of the proposed navigation scheme were evaluated
utilizing a series of experiments inside the AirSim simulator. The experimental
evaluation indicates that the proposed navigation algorithm was able to
consistently navigate the swarm of UAVs to "strategic" monitoring positions and
also adapt to the different number of swarm sizes. Source code is available at
https://github.com/dimikout3/ConvCAOAirSim.
- Abstract（参考訳）: 本稿では,UAVの群れを未知の地形内に配置する問題に対処し,その全体的意識を最大化することを目的とした。
状況認識は、UAVの視野の中で、ユニークな関心の対象の数と品質によって表現される。
YOLOv3と複製対象を識別するシステムを用いて、各UAVの構成に1つのスコアを割り当てた。
そこで,UAVや環境のダイナミクスを考慮せずに,予め定義されたスコアを最適化できる新しいナビゲーションアルゴリズムを提案する。
提案手法の基盤はブロック座標降下 (bcd) のアプローチと同じ収束特性を共有することである。
提案手法の有効性と性能を,AirSimシミュレータ内の一連の実験を用いて評価した。
実験により,提案した航法アルゴリズムは,UAVの群れを安定して「戦略的」な監視位置へ移動し,異なる数の群れに適応できることが示唆された。
ソースコードはhttps://github.com/dimikout3/ConvCAOAirSimで入手できる。
関連論文リスト
- UAV-Based Human Body Detector Selection and Fusion for Geolocated Saliency Map Generation [0.2499907423888049]
無人航空機(UAV)を用いた探索・救助など多くの応用分野において、ソフトリアルタイムの異なるクラスの物体を確実に検出・位置決めする問題は不可欠である。
本研究は、システムコンテキストの視覚に基づく検出器の選択、割り当て、実行の相補的な問題に対処する。
検出結果は,新しいセンサモデルを利用して,正と負の両方の観測を視覚ベースで検出する,有意な位置の地図を構築する手法を用いて融合される。
論文 参考訳（メタデータ） (2024-08-29T13:00:37Z) - UAV-enabled Collaborative Beamforming via Multi-Agent Deep Reinforcement Learning [79.16150966434299]
本稿では,UAVを用いた協調ビームフォーミング多目的最適化問題 (UCBMOP) を定式化し,UAVの伝送速度を最大化し,全UAVのエネルギー消費を最小化する。
ヘテロジニアス・エージェント・信頼領域ポリシー最適化(HATRPO)を基本フレームワークとし,改良されたHATRPOアルゴリズム,すなわちHATRPO-UCBを提案する。
論文 参考訳（メタデータ） (2024-04-11T03:19:22Z) - Integrated Sensing, Computation, and Communication for UAV-assisted
Federated Edge Learning [52.7230652428711]
フェデレーションエッジ学習(FEEL)は、エッジデバイスとサーバ間の定期的な通信を通じて、プライバシ保護モデルトレーニングを可能にする。
無人航空機(UAV)搭載エッジデバイスは、効率的なデータ収集における柔軟性と移動性のため、FEELにとって特に有利である。
論文 参考訳（メタデータ） (2023-06-05T16:01:33Z) - Vision-Based UAV Self-Positioning in Low-Altitude Urban Environments [20.69412701553767]
無人航空機(UAV)は安定した位置決めのために衛星システムに依存している。
このような状況下では、視覚に基づく技術が代替手段として機能し、UAVの自己配置能力を確実にする。
本稿では,UAV自己配置タスク用に設計された最初の公開データセットであるDenseUAVを提案する。
論文 参考訳（メタデータ） (2022-01-23T07:18:55Z) - Trajectory Design for UAV-Based Internet-of-Things Data Collection: A
Deep Reinforcement Learning Approach [93.67588414950656]
本稿では,無人航空機(UAV)による3D環境におけるIoT(Internet-of-Things)システムについて検討する。
本稿では,TD3-TDCTMアルゴリズムの完成時間最小化のためのトラジェクトリ設計を提案する。
シミュレーションの結果,従来の3つの非学習ベースライン法よりもTD3-TDCTMアルゴリズムの方が優れていることが示された。
論文 参考訳（メタデータ） (2021-07-23T03:33:29Z) - A Multi-UAV System for Exploration and Target Finding in Cluttered and
GPS-Denied Environments [68.31522961125589]
複雑なGPSを用いた複雑な環境において,UAVのチームが協調して目標を探索し,発見するための枠組みを提案する。
UAVのチームは自律的にナビゲートし、探索し、検出し、既知の地図で散らばった環境でターゲットを見つける。
その結果, 提案方式は, 時間的コスト, 調査対象地域の割合, 捜索・救助ミッションの成功率などの面で改善されていることがわかった。
論文 参考訳（メタデータ） (2021-07-19T12:54:04Z) - Anti-UAV: A Large Multi-Modal Benchmark for UAV Tracking [59.06167734555191]
Unmanned Aerial Vehicle (UAV)は、商業とレクリエーションの両方に多くの応用を提供している。
我々は、UAVを追跡し、位置や軌道などの豊富な情報を提供するという課題を考察する。
300以上のビデオペアが580k以上の手動で注釈付きバウンディングボックスを含むデータセット、Anti-UAVを提案します。
論文 参考訳（メタデータ） (2021-01-21T07:00:15Z) - Reinforcement Learning for UAV Autonomous Navigation, Mapping and Target
Detection [36.79380276028116]
本研究では,無人航空機(UAV)に低高度レーダーを装備し,未知の環境下での飛行における共同検出・マッピング・ナビゲーション問題について検討する。
目的は、マッピング精度を最大化する目的で軌道を最適化することであり、目標検出の観点からは、測定が不十分な領域を避けることである。
論文 参考訳（メタデータ） (2020-05-05T20:39:18Z) - RSSI-based Outdoor Localization with Single Unmanned Aerial Vehicle [9.577478740319668]
単一UAVのみを利用するRSSIに基づくローカライズ手法を提案する。
提案手法は, 繰り返し回数に応じて, 位置精度を7mまで低くすることができる。
論文 参考訳（メタデータ） (2020-04-20T15:05:41Z) - Federated Learning in the Sky: Joint Power Allocation and Scheduling
with UAV Swarms [98.78553146823829]
無人航空機(UAV)は様々なタスクを実行するために機械学習(ML)を利用する必要がある。
本稿では,UAVスワム内に分散学習(FL)アルゴリズムを実装するための新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2020-02-19T14:04:01Z)
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。