論文の概要: DeepWay: a Deep Learning Waypoint Estimator for Global Path Generation
- arxiv url: http://arxiv.org/abs/2010.16322v2
- Date: Thu, 21 Jan 2021 17:01:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-01 16:01:03.036882
- Title: DeepWay: a Deep Learning Waypoint Estimator for Global Path Generation
- Title(参考訳): DeepWay:グローバルパス生成のためのディープラーニングウェイポイント推定器
- Authors: Vittorio Mazzia, Francesco Salvetti, Diego Aghi and Marcello Chiaberge
- Abstract要約: 本研究は,占有グリッドマップを与えられたウェイポイントを推定できる特徴学習完全畳み込みモデルを提案する。
特に,本提案手法を行ベースの作物の特定事例に適用し,その拡大を完全にカバーできる大域的な経路を生成する。
- 参考スコア(独自算出の注目度): 1.3764085113103222
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Agriculture 3.0 and 4.0 have gradually introduced service robotics and
automation into several agricultural processes, mostly improving crops quality
and seasonal yield. Row-based crops are the perfect settings to test and deploy
smart machines capable of monitoring and manage the harvest. In this context,
global path generation is essential either for ground or aerial vehicles, and
it is the starting point for every type of mission plan. Nevertheless, little
attention has been currently given to this problem by the research community
and global path generation automation is still far to be solved. In order to
generate a viable path for an autonomous machine, the presented research
proposes a feature learning fully convolutional model capable of estimating
waypoints given an occupancy grid map. In particular, we apply the proposed
data-driven methodology to the specific case of row-based crops with the
general objective to generate a global path able to cover the extension of the
crop completely. Extensive experimentation with a custom made synthetic dataset
and real satellite-derived images of different scenarios have proved the
effectiveness of our methodology and demonstrated the feasibility of an
end-to-end and completely autonomous global path planner.
- Abstract(参考訳): 農業3.0と4.0は徐々にサービスロボティクスと自動化をいくつかの農業プロセスに導入し、主に作物の品質と季節的な収量を改善する。
ローベースの作物は、収穫の監視と管理が可能なスマートマシンのテストとデプロイに最適です。
この文脈では、グローバルパスの生成は地上または航空車両に必須であり、あらゆる種類のミッション計画の出発点である。
それにもかかわらず、現在研究コミュニティによるこの問題への関心はほとんどなく、グローバルパス生成自動化はいまだに解決されていない。
本研究は、自律機械の実行可能な経路を生成するために、占有グリッドマップを与えられた経路ポイントを推定できる機能学習完全畳み込みモデルを提案する。
特に,提案するデータ駆動手法を,作物の伸長を完全にカバー可能なグローバルパスを生成することを目的とした,行ベースの作物の特定の場合に適用する。
カスタムメイドの合成データセットと、異なるシナリオの実際の衛星画像を用いた広範な実験により、この手法の有効性が証明され、エンドツーエンドかつ完全に自律的なグローバルパスプランナーの実現可能性が実証された。
関連論文リスト
- RSRD: A Road Surface Reconstruction Dataset and Benchmark for Safe and
Comfortable Autonomous Driving [67.09546127265034]
道路表面の再構築は、車両の走行計画と制御システムの解析と予測を促進するのに役立つ。
我々は,様々な運転条件下で,特定のプラットフォームで収集した実世界,高解像度,高精度のデータセットであるRoad Surface Reconstructionデータセットを紹介した。
約16,000対のステレオ画像、原点雲、地中深度・不均等地図を含む一般的な道路形態を網羅している。
論文 参考訳(メタデータ) (2023-10-03T17:59:32Z) - Domain Generalization for Crop Segmentation with Knowledge Distillation [45.478315855371385]
サービスロボティクスは精密農業において主要な役割を担っている。
移動ロボットは、周囲を理解し、野生のターゲットを識別するリアルタイム認識システムを必要としている。
本稿では,知識蒸留を用いた領域一般化手法を提案する。
論文 参考訳(メタデータ) (2023-04-03T14:28:29Z) - Incremental 3D Scene Completion for Safe and Efficient Exploration
Mapping and Planning [60.599223456298915]
本研究では,情報,安全,解釈可能な地図作成と計画に3次元シーン補完を活用することによって,深層学習を探索に統合する新しい手法を提案する。
本手法は,地図の精度を最小限に抑えることで,ベースラインに比べて環境のカバレッジを73%高速化できることを示す。
最終地図にシーン完了が含まれていなくても、ロボットがより情報的な経路を選択するように誘導し、ロボットのセンサーでシーンの測定を35%高速化できることが示される。
論文 参考訳(メタデータ) (2022-08-17T14:19:33Z) - Waypoint Generation in Row-based Crops with Deep Learning and
Contrastive Clustering [1.2599533416395767]
行ベースの作物の航法経路を計画するための経路点生成のための学習に基づくアプローチを提案する。
本稿では,各点を分離可能な潜在空間に投影できる,コントラスト損失に基づく新たなウェイポイントクラスタリング手法を提案する。
提案したディープニューラルネットワークは、単一のフォワードパスで2つの特別なヘッドによるウェイポイント位置とクラスタ割り当てを同時に予測することができる。
論文 参考訳(メタデータ) (2022-06-23T11:21:04Z) - A Deep Learning Driven Algorithmic Pipeline for Autonomous Navigation in
Row-Based Crops [38.4971490647654]
我々は、ローレンジセンサーと季節変動に対応するために特別に設計された、行ベースの自律ナビゲーションのための完全なアルゴリズムパイプラインを提案する。
我々は、データ駆動の堅牢な手法に基づいて、作物の完全な拡張を、フィールドの占有グリッドマップ情報のみでカバーし、自律機械の実行可能なパスを生成する。
論文 参考訳(メタデータ) (2021-12-07T16:46:17Z) - Towards Green Automated Machine Learning: Status Quo and Future
Directions [71.86820260846369]
AutoMLは高いリソース消費で批判されている。
本稿では,AutoMLプロセス全体を環境に優しいものにするためのパラダイムであるGreen AutoMLを提案する。
論文 参考訳(メタデータ) (2021-11-10T18:57:27Z) - 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) - 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) - Rapid Exploration for Open-World Navigation with Latent Goal Models [78.45339342966196]
多様なオープンワールド環境における自律的な探索とナビゲーションのためのロボット学習システムについて述べる。
本手法のコアとなるのは、画像の非パラメトリックトポロジカルメモリとともに、距離と行動の学習された潜在変数モデルである。
学習方針を規則化するために情報ボトルネックを使用し、(i)目標のコンパクトな視覚的表現、(ii)一般化能力の向上、(iii)探索のための実行可能な目標をサンプリングするためのメカニズムを提供する。
論文 参考訳(メタデータ) (2021-04-12T23:14:41Z) - Estimating Crop Primary Productivity with Sentinel-2 and Landsat 8 using
Machine Learning Methods Trained with Radiative Transfer Simulations [58.17039841385472]
我々は,機械モデリングと衛星データ利用の並列化を活用し,作物生産性の高度モニタリングを行う。
本モデルでは, 地域情報を使用しなくても, 各種C3作物の種類, 環境条件の総合的生産性を推定することに成功した。
これは、現在の地球観測クラウドコンピューティングプラットフォームの助けを借りて、新しい衛星センサーから作物の生産性をグローバルにマップする可能性を強調しています。
論文 参考訳(メタデータ) (2020-12-07T16:23:13Z)
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。