論文の概要: Large-scale Autonomous Flight with Real-time Semantic SLAM under Dense
Forest Canopy
- arxiv url: http://arxiv.org/abs/2109.06479v1
- Date: Tue, 14 Sep 2021 07:24:53 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-16 01:56:25.496158
- Title: Large-scale Autonomous Flight with Real-time Semantic SLAM under Dense
Forest Canopy
- Title(参考訳): 密林天蓋下リアルタイムセマンティックスラムを用いた大規模自律飛行
- Authors: Xu Liu, Guilherme V. Nardari, Fernando Cladera Ojeda, Yuezhan Tao,
Alex Zhou, Thomas Donnelly, Chao Qu, Steven W. Chen, Roseli A. F. Romero,
Camillo J. Taylor, Vijay Kumar
- Abstract要約: 本研究では,長距離ミッションとリアルタイムセマンティックマッピングが可能な自律飛行・セマンティックSLAMシステムを提案する。
ニューラルネットワークとインスタンス抽出アルゴリズムを用いて,UAV上でのセマンティックセグメンテーションをリアルタイムで実現する。
セマンティックSLAMの出力は、状態推定、計画、制御アルゴリズムにリアルタイムで使用される。
- 参考スコア(独自算出の注目度): 60.97520127326484
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this letter, we propose an integrated autonomous flight and semantic SLAM
system that can perform long-range missions and real-time semantic mapping in
highly cluttered, unstructured, and GPS-denied under-canopy environments.
First, tree trunks and ground planes are detected from LIDAR scans. We use a
neural network and an instance extraction algorithm to enable semantic
segmentation in real time onboard the UAV. Second, detected tree trunk
instances are modeled as cylinders and associated across the whole LIDAR
sequence. This semantic data association constraints both robot poses as well
as trunk landmark models. The output of semantic SLAM is used in state
estimation, planning, and control algorithms in real time. The global planner
relies on a sparse map to plan the shortest path to the global goal, and the
local trajectory planner uses a small but finely discretized robot-centric map
to plan a dynamically feasible and collision-free trajectory to the local goal.
Both the global path and local trajectory lead to drift-corrected goals, thus
helping the UAV execute its mission accurately and safely.
- Abstract(参考訳): 本稿では,高度に乱雑で非構造的でGPSを付加したアンダーキャノピー環境において,長距離ミッションとリアルタイムセマンティックマッピングを行うことができる自律飛行・セマンティックSLAMシステムを提案する。
まず、LIDARスキャンから木の幹と地上面が検出される。
ニューラルネットワークとインスタンス抽出アルゴリズムを用いて,UAV上でのセマンティックセグメンテーションをリアルタイムで実現する。
次に、検出されたツリートランクインスタンスをシリンダーとしてモデル化し、lidarシーケンス全体に関連付ける。
このセマンティックデータアソシエーションは、ロボットのポーズとトランクランドマークモデルの両方に制約を与える。
意味論的SLAMの出力は、状態推定、計画、制御アルゴリズムにリアルタイムで使用される。
グローバルプランナーは、グローバルゴールへの最短経路を計画するスパースマップに頼っており、ローカルトラジェクトリプランナーは、小さく、細分化されたロボット中心のマップを使用して、ダイナミックに実現可能で、衝突のない軌道をローカルゴールに計画する。
グローバルパスと局所軌道の両方がドリフト修正目標につながり、uavのミッションを正確かつ安全に遂行するのに役立つ。
関連論文リスト
- Improved LiDAR Odometry and Mapping using Deep Semantic Segmentation and
Novel Outliers Detection [1.0334138809056097]
高速移動プラットフォームのためのLOAMアーキテクチャに基づくリアルタイムLiDARオドメトリーとマッピングのための新しいフレームワークを提案する。
本フレームワークは,ディープラーニングモデルによって生成された意味情報を用いて,ポイント・ツー・ラインとポイント・ツー・プレーンのマッチングを改善する。
高速動作に対するLiDARオドメトリーのロバスト性に及ぼすマッチング処理の改善効果について検討した。
論文 参考訳(メタデータ) (2024-03-05T16:53:24Z) - An Informative Path Planning Framework for Active Learning in UAV-based
Semantic Mapping [27.460481202195012]
無人航空機(UAV)は、航空地図や一般的な監視作業に頻繁に使用される。
近年のディープラーニングの進歩により、画像の自動セマンティックセグメンテーションが実現され、大規模な複雑な環境の解釈が容易になった。
モデル再学習のための情報的訓練画像を自律的に取得するための,UAVのための新しい汎用的計画フレームワークを提案する。
論文 参考訳(メタデータ) (2023-02-07T09:41:21Z) - Adaptive Path Planning for UAVs for Multi-Resolution Semantic
Segmentation [28.104584236205405]
重要な課題は、大規模な環境で取得したデータの価値を最大化するミッションを計画することである。
これは例えば、農地のモニタリングに関係している。
本稿では,UAV経路に適応して高精細なセマンティックセマンティックセマンティクスを得るオンライン計画アルゴリズムを提案する。
論文 参考訳(メタデータ) (2022-03-03T11:03:28Z) - ViKiNG: Vision-Based Kilometer-Scale Navigation with Geographic Hints [94.60414567852536]
長距離航法には、計画と局所的な移動可能性の推論の両方が必要である。
学習と計画を統合する学習に基づくアプローチを提案する。
ViKiNGは、画像ベースの学習コントローラを利用できる。
論文 参考訳(メタデータ) (2022-02-23T02:14:23Z) - Adaptive Path Planning for UAV-based Multi-Resolution Semantic
Segmentation [26.729010176211016]
本稿では,UAV経路に適応して高精細なセマンティックセマンティックセマンティクスを得るオンライン計画アルゴリズムを提案する。
私たちのアプローチの重要な特徴は、ディープラーニングベースのアーキテクチャのための新しい精度モデルです。
実地フィールドデータを用いた精密農業における作物・雑草分断の適用性について,本研究のアプローチを評価した。
論文 参考訳(メタデータ) (2021-08-04T07:30:04Z) - IntentNet: Learning to Predict Intention from Raw Sensor Data [86.74403297781039]
本論文では,LiDARセンサが生成する3次元点群と,環境の動的なマップの両方を利用するワンステージ検出器と予測器を開発した。
当社のマルチタスクモデルは、それぞれの別々のモジュールよりも高い精度を実現し、計算を節約します。
論文 参考訳(メタデータ) (2021-01-20T00:31:52Z) - UAV Path Planning using Global and Local Map Information with Deep
Reinforcement Learning [16.720630804675213]
本研究は, 深部強化学習(DRL)に基づく自律型UAV経路計画法を提案する。
我々は、UAVの目標は、データ収集(DH)への関心領域を調査することであり、UAVは分散IoT(Internet of Things)センサーデバイスからデータを収集することである。
環境の構造化マップ情報を活用することで、異なるミッションシナリオで同一のアーキテクチャを持つ二重深度Q-networks(DDQN)を訓練する。
論文 参考訳(メタデータ) (2020-10-14T09:59:10Z) - Radar-based Dynamic Occupancy Grid Mapping and Object Detection [55.74894405714851]
近年、古典的占有グリッドマップのアプローチが動的占有グリッドマップに拡張されている。
本稿では,従来のアプローチのさらなる発展について述べる。
複数のレーダセンサのデータを融合し、グリッドベースの物体追跡・マッピング手法を適用する。
論文 参考訳(メタデータ) (2020-08-09T09:26:30Z) - Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for
Online Collision Avoidance [95.86944752753564]
本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。
我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。
本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
論文 参考訳(メタデータ) (2020-07-28T07:34:30Z) - Learning to Move with Affordance Maps [57.198806691838364]
物理的な空間を自律的に探索し、ナビゲートする能力は、事実上あらゆる移動型自律エージェントの基本的な要件である。
従来のSLAMベースの探索とナビゲーションのアプローチは、主にシーン幾何学の活用に重点を置いている。
学習可能な余剰マップは探索と航法の両方において従来のアプローチの強化に利用でき、性能が大幅に向上することを示します。
論文 参考訳(メタデータ) (2020-01-08T04:05:11Z)
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。