論文の概要: Adaptive Path Planning for UAVs for Multi-Resolution Semantic
Segmentation
- arxiv url: http://arxiv.org/abs/2203.01642v1
- Date: Thu, 3 Mar 2022 11:03:28 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-05 01:44:16.522534
- Title: Adaptive Path Planning for UAVs for Multi-Resolution Semantic
Segmentation
- Title(参考訳): マルチレゾリューション意味セグメンテーションのためのuav適応経路計画
- Authors: Felix Stache, Jonas Westheider, Federico Magistri, Cyrill Stachniss,
Marija Popovi\'c
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 28.104584236205405
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Efficient data collection methods play a major role in helping us better
understand the Earth and its ecosystems. In many applications, the usage of
unmanned aerial vehicles (UAVs) for monitoring and remote sensing is rapidly
gaining momentum due to their high mobility, low cost, and flexible deployment.
A key challenge is planning missions to maximize the value of acquired data in
large environments given flight time limitations. This is, for example,
relevant for monitoring agricultural fields. This paper addresses the problem
of adaptive path planning for accurate semantic segmentation of using UAVs. We
propose an online planning algorithm which adapts the UAV paths to obtain
high-resolution semantic segmentations necessary in areas with fine details as
they are detected in incoming images. This enables us to perform close
inspections at low altitudes only where required, without wasting energy on
exhaustive mapping at maximum image resolution. A key feature of our approach
is a new accuracy model for deep learning-based architectures that captures the
relationship between UAV altitude and semantic segmentation accuracy. We
evaluate our approach on different domains using real-world data, proving the
efficacy and generability of our solution.
- Abstract(参考訳): 効率的なデータ収集手法は、地球とそのエコシステムの理解を深める上で重要な役割を果たします。
多くの応用において、監視とリモートセンシングのための無人航空機(UAV)の使用は、高い移動性、低コスト、柔軟な展開のために急速に勢いを増している。
重要な課題は、飛行時間の制限により、大きな環境で取得したデータの価値を最大化するためのミッション計画である。
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の正確なセマンティックセグメンテーションのための適応経路計画の問題に対処する。
本稿では,UAV経路に適応して,入ってくる画像から検出された細部までの詳細な領域で必要な高精細なセマンティック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。
これにより,画像解像度の最大値での網羅的マッピングにエネルギーを浪費することなく,低高度で綿密な検査を行うことができる。
我々のアプローチの重要な特徴は、UAV高度とセマンティックセグメンテーションの精度の関係をキャプチャするディープラーニングベースのアーキテクチャの新しい精度モデルである。
我々は,実世界データを用いて異なる領域に対するアプローチを評価し,ソリューションの有効性と生成性を証明する。
関連論文リスト
- Multi-Agent Reinforcement Learning for Offloading Cellular Communications with Cooperating UAVs [21.195346908715972]
無人航空機は、地上のBSからデータトラフィックをオフロードする代替手段を提供する。
本稿では,地上BSからデータオフロードを行うために,複数のUAVを効率的に利用するための新しい手法を提案する。
論文 参考訳(メタデータ) (2024-02-05T12:36:08Z) - 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) - Lifelong Unsupervised Domain Adaptive Person Re-identification with
Coordinated Anti-forgetting and Adaptation [127.6168183074427]
本稿では,LUDA (Lifelong Unsupervised Domain Adaptive) という新たなタスクを提案する。
これは、モデルがターゲット環境のラベル付けされていないデータに継続的に適応する必要があるため、難しい。
我々は、CLUDA-ReIDと呼ばれるこのタスクのための効果的なスキームを設計し、そこでは、アンチフォージェッティングが適応と調和して調整される。
論文 参考訳(メタデータ) (2021-12-13T13:19:45Z) - Deep Learning Aided Packet Routing in Aeronautical Ad-Hoc Networks
Relying on Real Flight Data: From Single-Objective to Near-Pareto
Multi-Objective Optimization [79.96177511319713]
航空アドホックネットワーク(AANET)のルーティングを支援するために、ディープラーニング(DL)を起動する。
フォワードノードによって観測された局所的な地理的情報を最適な次のホップを決定するために必要な情報にマッピングするために、ディープニューラルネットワーク(DNN)が考案される。
DL支援ルーティングアルゴリズムを多目的シナリオに拡張し,遅延を最小化し,経路容量を最大化し,経路寿命を最大化する。
論文 参考訳(メタデータ) (2021-10-28T14:18:22Z) - Stagewise Unsupervised Domain Adaptation with Adversarial Self-Training
for Road Segmentation of Remote Sensing Images [93.50240389540252]
リモートセンシング画像からの道路セグメンテーションは、幅広い応用可能性を持つ課題である。
本稿では,この領域における領域シフト(DS)問題に対処するため,RoadDAと呼ばれる新たな段階的ドメイン適応モデルを提案する。
2つのベンチマーク実験の結果、RoadDAはドメインギャップを効率的に減らし、最先端の手法より優れていることが示された。
論文 参考訳(メタデータ) (2021-08-28T09:29:14Z) - 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) - 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) - Multi-UAV Path Planning for Wireless Data Harvesting with Deep
Reinforcement Learning [18.266087952180733]
本稿では,データ収集ミッションを定義するシナリオパラメータの深い変化に適応できるマルチエージェント強化学習(MARL)手法を提案する。
提案するネットワークアーキテクチャにより,データ収集タスクを慎重に分割することで,エージェントが効果的に協調できることを示す。
論文 参考訳(メタデータ) (2020-10-23T14:59:30Z) - 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) - UAV Path Planning for Wireless Data Harvesting: A Deep Reinforcement
Learning Approach [18.266087952180733]
本稿では,IoT(Internet of Things)デバイスからのUAV対応データ収集に対するエンドツーエンド強化学習手法を提案する。
自律ドローンは、限られた飛行時間と障害物回避を受ける分散センサーノードからデータを収集する。
提案するネットワークアーキテクチャにより,エージェントが様々なシナリオパラメータの移動決定を行うことができることを示す。
論文 参考訳(メタデータ) (2020-07-01T15:14:16Z) - Data Freshness and Energy-Efficient UAV Navigation Optimization: A Deep
Reinforcement Learning Approach [88.45509934702913]
我々は、移動基地局(BS)が配備される複数の無人航空機(UAV)のナビゲーションポリシーを設計する。
我々は、地上BSにおけるデータの鮮度を確保するために、エネルギーや情報年齢(AoI)の制約などの異なる文脈情報を組み込んだ。
提案したトレーニングモデルを適用することで、UAV-BSに対する効果的なリアルタイム軌道ポリシーは、時間とともに観測可能なネットワーク状態をキャプチャする。
論文 参考訳(メタデータ) (2020-02-21T07:29:15Z)
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。