Fugu-MT 論文翻訳(概要): Object Detection and Tracking with Autonomous UAV

論文の概要: Object Detection and Tracking with Autonomous UAV

arxiv url: http://arxiv.org/abs/2206.12941v1
Date: Sun, 26 Jun 2022 18:48:59 GMT
ステータス: 処理完了
システム内更新日: 2022-06-28 16:26:31.925196
Title: Object Detection and Tracking with Autonomous UAV
Title（参考訳）: 自律型UAVによる物体検出・追跡
Authors: A. Huzeyfe Demir, Berke Yavas, Mehmet Yazici, Dogukan Aksu, M. Ali Aydin
Abstract要約: 回転翼UAVは、目標のロック、追跡、関連するデータを周囲の車両と共有するといった様々な作業に成功している。 API通信、地上局の設定、自律移動アルゴリズム、コンピュータビジョン、ディープラーニングといった様々なソフトウェア技術が採用されている。
参考スコア（独自算出の注目度）: 0.3044887242295643
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this paper, a combat Unmanned Air Vehicle (UAV) is modeled in the simulation environment. The rotary wing UAV is successfully performed various tasks such as locking on the targets, tracking, and sharing the relevant data with surrounding vehicles. Different software technologies such as API communication, ground control station configuration, autonomous movement algorithms, computer vision, and deep learning are employed.
Abstract（参考訳）: 本稿では,戦闘型無人航空機(uav)をシミュレーション環境でモデル化する。回転翼UAVは、目標のロック、追跡、関連するデータを周囲の車両と共有するといった様々な作業に成功している。 api通信、地上制御ステーション構成、自律移動アルゴリズム、コンピュータビジョン、ディープラーニングといった異なるソフトウェア技術が採用されている。

関連論文リスト

SkyRover: A Modular Simulator for Cross-Domain Pathfinding [18.09727711120916]
無人航空機(UAV)と自動誘導車両(AGV)は、ますます物流、監視、検査業務に協力している。既存のシミュレータは単一のドメインに集中し、クロスドメインの研究を制限することが多い。本稿では,UAV-AGVマルチエージェントパスフィンディング(MAPF)のためのモジュールシミュレータSkyRoverを提案する。
論文参考訳（メタデータ） (2025-02-13T05:13:21Z)
A Cross-Scene Benchmark for Open-World Drone Active Tracking [54.235808061746525]
Drone Visual Active Trackingは、視覚的な観察に基づいてモーションシステムを制御することで、対象物を自律的に追跡することを目的としている。 DATと呼ばれるオープンワールドドローンアクティブトラッキングのためのクロスシーンクロスドメインベンチマークを提案する。また、R-VATと呼ばれる強化学習に基づくドローン追跡手法を提案する。
論文参考訳（メタデータ） (2024-12-01T09:37:46Z)
Autonomous Decision Making for UAV Cooperative Pursuit-Evasion Game with Reinforcement Learning [50.33447711072726]
本稿では,マルチロールUAV協調追従ゲームにおける意思決定のための深層強化学習モデルを提案する。提案手法は,追従回避ゲームシナリオにおけるUAVの自律的意思決定を可能にする。
論文参考訳（メタデータ） (2024-11-05T10:45:30Z)
Track Anything Rapter(TAR) [0.0]
Track Anything Rapter (TAR)は、ユーザが提供するマルチモーダルクエリに基づいて、関心のあるオブジェクトを検出し、セグメンテーションし、追跡するように設計されている。 TARは、DINO、CLIP、SAMといった最先端の事前訓練モデルを使用して、クエリされたオブジェクトの相対的なポーズを推定する。本稿では,これらの基礎モデルとカスタム高レベル制御アルゴリズムの統合によって,高度に安定かつ高精度なトラッキングシステムを実現する方法を紹介する。
論文参考訳（メタデータ） (2024-05-19T19:51:41Z)
Convergence of Communications, Control, and Machine Learning for Secure and Autonomous Vehicle Navigation [78.60496411542549]
接続された自動運転車(CAV)は、交通事故におけるヒューマンエラーを低減し、道路効率を向上し、様々なタスクを実行する。これらのメリットを享受するためには、CAVが目標とする目的地へ自律的にナビゲートする必要がある。本稿では,通信理論,制御理論,機械学習の収束を利用して,効果的なCAVナビゲーションを実現する手法を提案する。
論文参考訳（メタデータ） (2023-07-05T21:38:36Z)
Learning Deep Sensorimotor Policies for Vision-based Autonomous Drone Racing [52.50284630866713]
既存のシステムは、状態推定、計画、制御のために手作業によるコンポーネントを必要とすることが多い。本稿では、深層感触者ポリシーを学習することで、視覚に基づく自律ドローンレース問題に取り組む。
論文参考訳（メタデータ） (2022-10-26T19:03:17Z)
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)
Towards Deep Learning Assisted Autonomous UAVs for Manipulation Tasks in GPS-Denied Environments [10.02675366919811]
本稿では,屋外およびgps環境に大規模な3d構造物を組み立てる作業に主に焦点をあてる。我々のフレームワークは、個々のモジュールのパフォーマンス解析を報告するために、指定されたUAV上にデプロイされる。
論文参考訳（メタデータ） (2021-01-16T09:20:46Z)
Collaborative Tracking and Capture of Aerial Object using UAVs [0.16863755729554883]
この問題は、Mohammed Bin Zayed International Robotic Challenge 2020のチャレンジ1から動機づけられている。 UAVは視覚フィードバックを利用して、目標を自律的に検出し、接近し、目標を運ぶ車両を邪魔することなく捕獲する。
論文参考訳（メタデータ） (2020-10-04T14:23:03Z)
Perceiving Traffic from Aerial Images [86.994032967469]
本研究では,空中画像中の物体を検出するために,バタフライ検出器と呼ばれる物体検出手法を提案する。 UAVDT(UAVDT)とVisDrone 2019(VisDrone 2019)の2つのUAVデータセット上でButterfly Detectorを評価し、従来の最先端の手法よりも高速に動作し、かつリアルタイムに動作可能であることを示す。
論文参考訳（メタデータ） (2020-09-16T11:37:43Z)
Autonomous UAV Navigation: A DDPG-based Deep Reinforcement Learning Approach [1.552282932199974]
深層強化学習を用いた自律型UAV経路計画フレームワークを提案する。目的は、自力で訓練されたUAVを空飛ぶ移動体ユニットとして使用し、空間的に分散した移動または静的な目標に到達することである。
論文参考訳（メタデータ） (2020-03-21T19:33:00Z)

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。