論文の概要: VINet: Visual and Inertial-based Terrain Classification and Adaptive Navigation over Unknown Terrain

• arxiv url: http://arxiv.org/abs/2209.07725v1
• Date: Fri, 16 Sep 2022 05:14:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-19 13:17:30.205403
• Title: VINet: Visual and Inertial-based Terrain Classification and Adaptive Navigation over Unknown Terrain
• Title（参考訳）: vinet: 視覚と慣性に基づく地形分類と未知の地形への適応ナビゲーション
• Authors: Tianrui Guan, Ruitao Song, Zhixian Ye, Liangjun Zhang
• Abstract要約: 移動可能な異なる表面上でのロボットナビゲーションのための視覚的および慣性的地形分類ネットワーク(VINet)を提案する。 提案手法と適応制御フレームワークは,地形のナビゲーション特性に応じて予測を行うことができる。 我々のVINetは、既知の地形の監督下での精度で98.37%を獲得し、未知の地形の精度を8.51%向上させることができる。
• 参考スコア（独自算出の注目度）: 6.338579672125511
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a visual and inertial-based terrain classification network (VINet) for robotic navigation over different traversable surfaces. We use a novel navigation-based labeling scheme for terrain classification and generalization on unknown surfaces. Our proposed perception method and adaptive control framework can make predictions according to terrain navigation properties and lead to better performance on both terrain classification and navigation control on known and unknown surfaces. Our VINet can achieve 98.37% in terms of accuracy under supervised setting on known terrains and improve the accuracy by 8.51% on unknown terrains compared to previous methods. We deploy VINet on a mobile tracked robot for trajectory following and navigation on different terrains, and we demonstrate an improvement of 10.3% compared to a baseline controller in terms of RMSE.
• Abstract（参考訳）: 移動可能な異なる表面上でのロボットナビゲーションのための視覚的および慣性的地形分類ネットワーク(VINet)を提案する。 地形分類と未知表面の一般化のために,新しいナビゲーションに基づくラベリング方式を用いる。 提案手法と適応制御フレームワークは, 地形のナビゲーション特性に応じて予測を行い, 地形分類と未知表面のナビゲーション制御の両方において, より良い性能をもたらす。 私たちのvinetは、既知の地形を監督した環境では98.37%の精度を達成でき、未知の地形では8.51%の精度向上が期待できる。 異なる地形における軌道追従とナビゲーションのための移動追従ロボットにVINetを配置し,RMSEのベースラインコントローラと比較して10.3%の改善を示した。

関連論文リスト

• UFO: Uncertainty-aware LiDAR-image Fusion for Off-road Semantic Terrain Map Estimation [2.048226951354646]
  本稿では,BEVにおける高密度地形分類図を生成するための学習ベース融合法を提案する。 提案手法は,RGB画像とシングルスイープLiDARスキャンから生成されたセマンティックマップの精度を向上させる。
  論文  参考訳（メタデータ） (2024-03-05T04:20:03Z)
• Angle Robustness Unmanned Aerial Vehicle Navigation in GNSS-Denied Scenarios [66.05091704671503]
  本稿では、ポイントツーポイントナビゲーションタスクにおける飛行偏差に対処する新しい角度ナビゲーションパラダイムを提案する。 また、Adaptive Feature Enhance Module、Cross-knowledge Attention-guided Module、Robust Task-oriented Head Moduleを含むモデルを提案する。
  論文  参考訳（メタデータ） (2024-02-04T08:41:20Z)
• Pixel to Elevation: Learning to Predict Elevation Maps at Long Range using Images for Autonomous Offroad Navigation [10.898724668444125]
  本稿では,車載エゴセントリック画像のみをリアルタイムに利用して,長距離の地形標高マップを予測できる学習型アプローチを提案する。 複雑で非構造的な地形における自律型オフロードロボットナビゲーションへの提案手法の適用性を実験的に検証した。
  論文  参考訳（メタデータ） (2024-01-30T22:37:24Z)
• Embedding Earth: Self-supervised contrastive pre-training for dense land cover classification [61.44538721707377]
  本研究では,衛星画像の高可用性を活用するための自己監督型コントラスト事前学習法として,エンベディングアースを提案する。 提案手法による事前学習では, 25%の絶対mIoUが得られた。 学習した特徴は、異なる領域間で一般化され、提案した事前学習スキームの可能性を開放する。
  論文  参考訳（メタデータ） (2022-03-11T16:14:14Z)
• MLNav: Learning to Safely Navigate on Martian Terrains [25.42849032622348]
  MLNavは,安全クリティカルで資源に制限のあるシステムのための学習支援パス計画フレームワークである。 MLNavは、安全制約を完全に尊重しながら、経路計画の効率を高めるために、機械学習を司法的に利用している。 我々は,火星の実際の地形データと,難易度の高い合成地形データを用いて高忠実度シミュレーションを検証した。
  論文  参考訳（メタデータ） (2022-03-09T07:53:15Z)
• 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)
• Polyline Based Generative Navigable Space Segmentation for Autonomous Visual Navigation [57.3062528453841]
  ロボットが教師なしの方法で移動可能な空間分割を学習できるようにするための表現学習ベースのフレームワークを提案する。 提案するPSV-Netは,単一のラベルを使わずとも,高精度で視覚ナビゲーション可能な空間を学習可能であることを示す。
  論文  参考訳（メタデータ） (2021-10-29T19:50:48Z)
• GANav: Group-wise Attention Network for Classifying Navigable Regions in Unstructured Outdoor Environments [54.21959527308051]
  本稿では,RGB画像から,オフロード地形および非構造環境における安全かつ航行可能な領域を識別する新しい学習手法を提案する。 本手法は,粒度の粗いセマンティックセグメンテーションを用いて,そのナビビリティレベルに基づいて地形分類群を分類する。 RUGD と RELLIS-3D のデータセットを広範囲に評価することにより,我々の学習アルゴリズムがナビゲーションのためのオフロード地形における視覚知覚の精度を向上させることを示す。
  論文  参考訳（メタデータ） (2021-03-07T02:16:24Z)
• Occupancy Anticipation for Efficient Exploration and Navigation [97.17517060585875]
  そこで我々は,エージェントが自我中心のRGB-D観測を用いて,その占有状態を可視領域を超えて推定する,占有予測を提案する。 エゴセントリックなビューとトップダウンマップの両方でコンテキストを活用することで、私たちのモデルは環境のより広いマップを予測できます。 われわれのアプローチは、2020 Habitat PointNav Challengeの優勝だ。
  論文  参考訳（メタデータ） (2020-08-21T03:16:51Z)

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。