論文の概要: Collection and Evaluation of a Long-Term 4D Agri-Robotic Dataset

• arxiv url: http://arxiv.org/abs/2211.14013v1
• Date: Fri, 25 Nov 2022 10:39:04 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-28 16:01:58.066634
• Title: Collection and Evaluation of a Long-Term 4D Agri-Robotic Dataset
• Title（参考訳）: 長期4次元アグリロボットデータセットの収集と評価
• Authors: Riccardo Polvara, Sergi Molina Mellado, Ibrahim Hroob, Grzegorz Cielniak and Marc Hanheide
• Abstract要約: 我々は、数ヵ月にわたってデータ収集を行うために、自動移動ロボットをブドウ畑に長期展開する取り組みを報告している。 主な目的は、マッピングやローカライゼーションタスクにおける環境変化の影響を分析するために、同じエリアから異なる時点のデータを収集することである。 本研究は,4つのデータセッションを取り入れた地図に基づくローカライゼーション研究であり,事前構築された地図が環境の現況と視覚的に異なる場合に期待される失敗を同定する。
• 参考スコア（独自算出の注目度）: 8.81442358588687
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Long-term autonomy is one of the most demanded capabilities looked into a robot. The possibility to perform the same task over and over on a long temporal horizon, offering a high standard of reproducibility and robustness, is appealing. Long-term autonomy can play a crucial role in the adoption of robotics systems for precision agriculture, for example in assisting humans in monitoring and harvesting crops in a large orchard. With this scope in mind, we report an ongoing effort in the long-term deployment of an autonomous mobile robot in a vineyard for data collection across multiple months. The main aim is to collect data from the same area at different points in time so to be able to analyse the impact of the environmental changes in the mapping and localisation tasks. In this work, we present a map-based localisation study taking 4 data sessions. We identify expected failures when the pre-built map visually differs from the environment's current appearance and we anticipate LTS-Net, a solution pointed at extracting stable temporal features for improving long-term 4D localisation results.
• Abstract（参考訳）: 長期的な自律性は、ロボットに最も要求される能力の1つだ。 再現性と堅牢性を高い基準で提供し、長い時間軸上で同じタスクを何度も実行する可能性は非常に魅力的である。 長期的な自律性は、精密農業のためのロボットシステムの導入において重要な役割を担っている。 このスコープを念頭に置いて,複数カ月間にわたるデータ収集のための自律移動ロボットの長期展開に向けた取り組みを報告した。 主な目的は、マッピングやローカライゼーションタスクにおける環境変化の影響を分析するために、同じエリアから異なる時点のデータを収集することである。 本稿では,4つのデータセッションを用いたマップベースのローカライズ研究について述べる。 本研究は, 環境の現況と視覚的に異なる場合の予測障害を特定し, 長期間の4次元局所化結果を改善するために, 安定した時間的特徴を抽出する手法であるLTS-Netを期待する。

関連論文リスト

• AdaCropFollow: Self-Supervised Online Adaptation for Visual Under-Canopy Navigation [31.214318150001947]
  アンダーキャノピー農業ロボットは、精密なモニタリング、スプレー、雑草、植物操作などの様々な応用を可能にする。 本稿では,視覚的基礎モデル,幾何学的事前,擬似ラベリングを用いて意味キーポイント表現を適応するための自己教師付きオンライン適応手法を提案する。 これにより、人間による介入を必要とせずに、畑や作物をまたがるアンダーキャノピーロボットの完全な自律的な行追尾が可能になる。
  論文  参考訳（メタデータ） (2024-10-16T09:52:38Z)
• Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series Forecasting Approach [71.67506068703314]
  長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。 伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。 本研究では,都市におけるモビリティ予測の新たな視点について紹介する。 都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
  論文  参考訳（メタデータ） (2023-12-04T07:39:05Z)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• Panoptic Mapping with Fruit Completion and Pose Estimation for Horticultural Robots [33.21287030243106]
  植物や果実を高解像度でモニタリングすることは、農業の未来において重要な役割を担っている。 正確な3D情報は、自律収穫から正確な収量推定まで、農業における多様なロボット応用への道を開くことができる。 移動ロボットによって構築された3次元多次元マップにおいて,果実の完全な3次元形状とそのポーズを共同で推定する問題に対処する。
  論文  参考訳（メタデータ） (2023-03-15T20:41:24Z)
• Semantic Segmentation of Vegetation in Remote Sensing Imagery Using Deep Learning [77.34726150561087]
  本稿では,公開されているリモートセンシングデータからなるマルチモーダル・大規模時間データセットを作成するためのアプローチを提案する。 我々は、異なる種類の植生を分離できる畳み込みニューラルネットワーク(CNN)モデルを使用する。
  論文  参考訳（メタデータ） (2022-09-28T18:51:59Z)
• General Place Recognition Survey: Towards the Real-world Autonomy Age [36.49196034588173]
  場所認識コミュニティは、過去20年間に驚くべき進歩を遂げてきた。 複雑な実世界のシナリオにおいて、期待できる位置認識性能を示す手法はほとんどない。 本論文は,場所認識コミュニティと長期ロボット工学の自律性に関心を持つ研究者を対象としたチュートリアルである。
  論文  参考訳（メタデータ） (2022-09-09T19:37:05Z)
• Object Goal Navigation using Data Regularized Q-Learning [9.65323691689801]
  Object Goal Navigationでは、ロボットが未確認の環境で対象のオブジェクトクラスのインスタンスを探し、ナビゲートする必要がある。 我々のフレームワークは、時間とともに環境のセマンティックマップを段階的に構築し、その後、長期的目標を何度も選択します。 長期的なゴール選択は、視覚に基づく深層強化学習問題として定式化される。
  論文  参考訳（メタデータ） (2022-08-27T13:26:30Z)
• A Spatio-Temporal Multilayer Perceptron for Gesture Recognition [70.34489104710366]
  自律走行車におけるジェスチャー認識のための多層状態重み付きパーセプトロンを提案する。 提案手法の有望な性能を示すため,TCGおよびDrive&Actデータセットの評価を行った。 私たちは、そのリアルタイム能力と安定した実行を示すために、モデルを自動運転車にデプロイします。
  論文  参考訳（メタデータ） (2022-04-25T08:42:47Z)
• Vision in adverse weather: Augmentation using CycleGANs with various object detectors for robust perception in autonomous racing [70.16043883381677]
  自律レースでは、天気は突然変化し、認識が著しく低下し、非効率な操作が引き起こされる。 悪天候の検知を改善するために、ディープラーニングベースのモデルは通常、そのような状況下でキャプチャされた広範なデータセットを必要とする。 本稿では,5つの最先端検出器のうち4つの性能向上を図るために,自動レース(CycleGANを用いた)における合成悪条件データセットを用いた手法を提案する。
  論文  参考訳（メタデータ） (2022-01-10T10:02:40Z)
• Deep Multi-Task Learning for Joint Localization, Perception, and Prediction [68.50217234419922]
  本稿では,ローカライズエラー下の最先端の自律性スタックで発生する問題について検討する。 我々は,認識,予測,局所化を共同で行うシステムの設計を行う。 本アーキテクチャでは,両タスク間の計算を再利用し,効率よくローカライズエラーを修正できる。
  論文  参考訳（メタデータ） (2021-01-17T17:20:31Z)
• Detection and Prediction of Nutrient Deficiency Stress using Longitudinal Aerial Imagery [3.5417999811721677]
  早期, 栄養不足ストレス(NDS)の精密検出は, 環境影響の精度だけでなく, 経済的にも重要である。 我々は,高分解能空中画像のシーケンスを収集し,セマンティクスセグメンテーションモデルを構築し,フィールド全体のndsの検出と予測を行う。 この研究は、リモートセンシングと農業の深層学習の発展に寄与し、経済と持続可能性に関する重要な社会的課題に対処している。
  論文  参考訳（メタデータ） (2020-12-17T15:06:15Z)

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。