Fugu-MT 論文翻訳(概要): Hardware-accelerated Mars Sample Localization via deep transfer learning from photorealistic simulations

論文の概要: Hardware-accelerated Mars Sample Localization via deep transfer learning from photorealistic simulations

arxiv url: http://arxiv.org/abs/2206.02622v1
Date: Mon, 6 Jun 2022 14:05:25 GMT
ステータス: 処理完了
システム内更新日: 2022-06-07 21:10:27.594558
Title: Hardware-accelerated Mars Sample Localization via deep transfer learning from photorealistic simulations
Title（参考訳）: 光リアル性シミュレーションによる深層移動学習によるハードウェアアクセラレーション火星試料の局在
Authors: Ra\'ul Castilla-Arquillo, Carlos Jes\'us P\'erez-del-Pulgar, Gonzalo Jes\'us Paz-Delgado and Levin Gerdes
Abstract要約: マーズ・サンプル・リターン(Mars Sample Return)キャンペーンの目標は、火星の表面から土壌サンプルを集め、さらなる研究のために地球に戻すことである。サンプル・フェッチ・ローバーは、最大35個のサンプル・チューブを火星の土の上に設置し、回収する役割を担っていると期待されている。本研究は,サンプル管の自律的検出とポーズ推定のための新しいアプローチを提案する。
参考スコア（独自算出の注目度）: 1.3075880857448061
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The goal of the Mars Sample Return campaign is to collect soil samples from the surface of Mars and return them to Earth for further study. The samples will be acquired and stored in metal tubes by the Perseverance rover and deposited on the Martian surface. As part of this campaign, it is expected the Sample Fetch Rover will be in charge of localizing and gathering up to 35 sample tubes over 150 Martian sols. Autonomous capabilities are critical for the success of the overall campaign and for the Sample Fetch Rover in particular. This work proposes a novel approach for the autonomous detection and pose estimation of the sample tubes. For the detection stage, a Deep Neural Network and transfer learning from a synthetic dataset are proposed. The dataset is created from photorealistic 3D simulations of Martian scenarios. Additionally, Computer Vision techniques are used to estimate the detected sample tubes poses. Finally, laboratory tests of the Sample Localization procedure are performed using the ExoMars Testing Rover on a Mars-like testbed. These tests validate the proposed approach in different hardware architectures, providing promising results related to the sample detection and pose estimation.
Abstract（参考訳）: マーズサンプルリターンキャンペーンの目標は、火星の表面から土壌サンプルを採取し、さらなる研究のために地球に戻すことである。サンプルは、Perseveranceローバーによって金属管に回収され、火星表面に堆積される。このキャンペーンの一環として、サンプル・フェッチ・ローバーは最大35個のサンプル・チューブを150個の火星のソールに配置し収集する責任を負うことが期待されている。自律的な能力は、全体的なキャンペーンの成功、特にサンプルフェッチローバーの成功に不可欠である。本研究は,サンプル管の自律的検出とポーズ推定のための新しいアプローチを提案する。検出段階では,ディープニューラルネットワークと合成データセットからの転送学習が提案されている。データセットは、火星のシナリオのフォトリアリスティックな3Dシミュレーションから作成される。さらに、検出されたサンプルチューブのポーズを推定するためにコンピュータビジョン技術が使用される。最後に,火星型テストベッドのExoMarsテストローバーを用いて,サンプルローカライゼーション手順の試験を行う。これらのテストは、異なるハードウェアアーキテクチャで提案されたアプローチを検証し、サンプル検出とポーズ推定に関する有望な結果を提供する。

関連論文リスト

ConeQuest: A Benchmark for Cone Segmentation on Mars [9.036303895516745]
ConeQuestは、火星の円錐を識別する最初の専門家による公開データセットである。本研究では,(i)空間一般化と(ii)コーンサイズ一般化という2つのベンチマークタスクを提案する。
論文参考訳（メタデータ） (2023-11-15T02:33:08Z)
On the Generation of a Synthetic Event-Based Vision Dataset for Navigation and Landing [69.34740063574921]
本稿では,最適な着陸軌道からイベントベースの視覚データセットを生成する手法を提案する。我々は,惑星と小惑星の自然シーン生成ユーティリティを用いて,月面のフォトリアリスティックな画像のシーケンスを構築した。パイプラインは500トラジェクトリのデータセットを構築することで,表面特徴の現実的なイベントベース表現を生成することができることを示す。
論文参考訳（メタデータ） (2023-08-01T09:14:20Z)
MV-JAR: Masked Voxel Jigsaw and Reconstruction for LiDAR-Based Self-Supervised Pre-Training [58.07391711548269]
Masked Voxel Jigsaw and Reconstruction (MV-JAR) method for LiDAR-based self-supervised pre-training Masked Voxel Jigsaw and Reconstruction (MV-JAR) method for LiDAR-based self-supervised pre-training
論文参考訳（メタデータ） (2023-03-23T17:59:02Z)
MaRF: Representing Mars as Neural Radiance Fields [1.4680035572775534]
MARFは火星の環境を合成するためのフレームワークで、ローバーカメラの画像を何枚か集めている。惑星地質学、シミュレートされた航法、形状解析などの惑星表面探査における重要な課題に対処する。実験では,キュリオシティ・ローバー,パーセヴァンス・ローバー,インジェニティ・ヘリコプターによって捕獲された火星の実際のデータセットから生成された環境を実証した。
論文参考訳（メタデータ） (2022-12-03T18:58:00Z)
Mars Rover Localization Based on A2G Obstacle Distribution Pattern Matching [0.0]
NASAのMars 2020ミッションでは、Ingenuityヘリコプターがローバーと共に運ばれる。従来の画像マッチング手法は、有効な画像対応を得るのに苦労する。画像に基づく岩盤検出と岩盤分布パターンマッチングを組み合わせたアルゴリズムを用いて、A2G画像対応を得る。
論文参考訳（メタデータ） (2022-10-07T08:29:48Z)
Mixed-domain Training Improves Multi-Mission Terrain Segmentation [0.9566312408744931]
現在の火星の地形区分モデルは、異なる領域にまたがる配置のために再訓練を必要とする。本研究では,火星表面のマルチミッションセマンティックセマンティックセグメンテーションのために,バックボーンの教師なしコントラスト事前学習を利用する半教師付き学習手法を提案する。
論文参考訳（メタデータ） (2022-09-27T20:25:24Z)
6D Camera Relocalization in Visually Ambiguous Extreme Environments [79.68352435957266]
本研究では,深海や地球外地形などの極端な環境下で得られた画像の列から,カメラのポーズを確実に推定する手法を提案する。本手法は,室内ベンチマーク (7-Scenes データセット) における最先端手法と同等の性能を20%のトレーニングデータで達成する。
論文参考訳（メタデータ） (2022-07-13T16:40:02Z)
Towards Robust Monocular Visual Odometry for Flying Robots on Planetary Missions [49.79068659889639]
火星に着陸したばかりのIngenuityは、トラバーサビリティの影響を受けない新時代の探検の始まりとなるでしょう。高速な光フロートラッキングを用いた高能率単分子オードメトリーアルゴリズムを提案する。また、相対翻訳情報行列の主成分分析に基づいて、スケールドリフトの現在のリスクを推定する新しい手法を提案する。
論文参考訳（メタデータ） (2021-09-12T12:52:20Z)
Machine Vision based Sample-Tube Localization for Mars Sample Return [3.548901442158138]
マーズ・サンプル・リターン(MSR)アーキテクチャはNASAとESAが共同で研究している。本稿では,MSRのフェッチ部分に着目し,より具体的には火星表面に堆積した試料管を自律的に検出・位置決めする問題について述べる。まず,ハードコードフィルタとチューブの3次元形状モデルを用いたテンプレートマッチングに基づく幾何駆動アプローチと,畳み込みニューラルネットワーク(cnns)に基づくデータ駆動アプローチと学習機能について検討した。
論文参考訳（メタデータ） (2021-03-17T23:09:28Z)
Rover Relocalization for Mars Sample Return by Virtual Template Synthesis and Matching [48.0956967976633]
我々は、概念火星サンプルリターンキャンペーンの文脈におけるローバー再局在化の問題を検討する。このキャンペーンでは、ローバー(R1)は、約50 x 50 mの領域内を自律的にナビゲートおよびローカライズできる必要があります。本研究では,相対的に不規則な地形に対してロバスト性を示す視覚ローカライザーを提案する。
論文参考訳（メタデータ） (2021-03-05T00:18:33Z)
Transferable Active Grasping and Real Embodied Dataset [48.887567134129306]
ハンドマウント型RGB-Dカメラを用いて把握可能な視点を探索する方法を示す。現実的な3段階の移動可能な能動把握パイプラインを開発し、未確認のクラッタシーンに適応する。本研究のパイプラインでは,カテゴリ非関連行動の把握と確保において,スパース報酬問題を克服するために,新しいマスク誘導報酬を提案する。
論文参考訳（メタデータ） (2020-04-28T08:15:35Z)

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。