論文の概要: Performance Study of YOLOv5 and Faster R-CNN for Autonomous Navigation
around Non-Cooperative Targets
- arxiv url: http://arxiv.org/abs/2301.09056v1
- Date: Sun, 22 Jan 2023 04:53:38 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-24 15:03:43.503150
- Title: Performance Study of YOLOv5 and Faster R-CNN for Autonomous Navigation
around Non-Cooperative Targets
- Title(参考訳): 非協調目標周辺の自律走行のためのYOLOv5と高速R-CNNの性能評価
- Authors: Trupti Mahendrakar and Andrew Ekblad and Nathan Fischer and Ryan T.
White and Markus Wilde and Brian Kish and Isaac Silver
- Abstract要約: 本稿では,カメラと機械学習アルゴリズムを組み合わせることで,相対的なナビゲーションを実現する方法について論じる。
高速領域ベース畳み込みニューラルネットワーク(R-CNN)とYou Only Look Once(YOLOv5)の2つのディープラーニングに基づくオブジェクト検出アルゴリズムの性能を検証した。
本稿では, 特徴認識アルゴリズムの実装と, 宇宙船誘導航法制御システムへの統合に向けての道筋について論じる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Autonomous navigation and path-planning around non-cooperative space objects
is an enabling technology for on-orbit servicing and space debris removal
systems. The navigation task includes the determination of target object
motion, the identification of target object features suitable for grasping, and
the identification of collision hazards and other keep-out zones. Given this
knowledge, chaser spacecraft can be guided towards capture locations without
damaging the target object or without unduly the operations of a servicing
target by covering up solar arrays or communication antennas. One way to
autonomously achieve target identification, characterization and feature
recognition is by use of artificial intelligence algorithms. This paper
discusses how the combination of cameras and machine learning algorithms can
achieve the relative navigation task. The performance of two deep
learning-based object detection algorithms, Faster Region-based Convolutional
Neural Networks (R-CNN) and You Only Look Once (YOLOv5), is tested using
experimental data obtained in formation flight simulations in the ORION Lab at
Florida Institute of Technology. The simulation scenarios vary the yaw motion
of the target object, the chaser approach trajectory, and the lighting
conditions in order to test the algorithms in a wide range of realistic and
performance limiting situations. The data analyzed include the mean average
precision metrics in order to compare the performance of the object detectors.
The paper discusses the path to implementing the feature recognition algorithms
and towards integrating them into the spacecraft Guidance Navigation and
Control system.
- Abstract(参考訳): 非協力的な空間オブジェクトの自律的なナビゲーションと経路計画は、軌道上のサービッキングとスペースデブリ除去システムを実現する技術である。
ナビゲーションタスクは、対象物の動きの判定、把握に適した対象物の特徴の識別、衝突危険物等の保持ゾーンの識別を含む。
この知識を考えると、チェイサー宇宙船は標的を損傷することなく、あるいは太陽電池アレイや通信アンテナを覆ってサービッキングターゲットの操作を強制することなく、捕獲場所に向かって誘導することができる。
ターゲットの識別、特徴付け、特徴認識を自律的に実現する方法の1つは、人工知能アルゴリズムを使用することである。
本稿では,カメラと機械学習アルゴリズムを組み合わせることで,相対的なナビゲーションタスクを実現する方法について述べる。
2つのディープラーニングベースのオブジェクト検出アルゴリズム、高速領域ベース畳み込みニューラルネットワーク(r-cnn)とyou only look once(yolov5)の性能を、フロリダ工科大学オリオン研究室で形成飛行シミュレーションで得られた実験データを用いてテストした。
シミュレーションシナリオでは, 対象物体のヨー運動, チェイサーアプローチの軌跡, 照明条件を変化させ, アルゴリズムを多岐にわたる現実的な性能制限条件でテストする。
解析されたデータは、対象検出器の性能を比較するために平均的な精度の測定値を含む。
本稿では, 特徴認識アルゴリズムの実装と, 宇宙船誘導航法制御システムへの統合に向けての道筋について論じる。
関連論文リスト
- DOTIE -- Detecting Objects through Temporal Isolation of Events using a
Spiking Architecture [5.340730281227837]
視覚に基づく自律ナビゲーションシステムは障害物を避けるために高速で正確な物体検出アルゴリズムに依存している。
本研究では,イベントに固有の時間的情報を用いて移動物体を効率的に検出する手法を提案する。
我々のアーキテクチャを利用することで、自律ナビゲーションシステムは、オブジェクト検出を行うための最小のレイテンシとエネルギーオーバーヘッドを持つことが示される。
論文 参考訳(メタデータ) (2022-10-03T14:43:11Z) - Space Non-cooperative Object Active Tracking with Deep Reinforcement
Learning [1.212848031108815]
DRLAVTと命名されたDQNアルゴリズムに基づくエンドツーエンドのアクティブなトラッキング手法を提案する。
追尾宇宙船のアプローチを、色やRGBD画像にのみ依存した任意の空間の非協力目標に導くことができる。
位置ベースのビジュアルサーボベースラインアルゴリズムでは、最先端の2DモノクロトラッカーであるSiamRPNをはるかに上回っている。
論文 参考訳(メタデータ) (2021-12-18T06:12:24Z) - Analysis of voxel-based 3D object detection methods efficiency for
real-time embedded systems [93.73198973454944]
本稿では, ボクセルをベースとした2つの3次元物体検出手法について述べる。
実験の結果,これらの手法は入力点雲が遠距離にあるため,遠距離の小さな物体を検出できないことが確認できた。
この結果から,既存手法の計算のかなりの部分は,検出に寄与しないシーンの位置に着目していることが示唆された。
論文 参考訳(メタデータ) (2021-05-21T12:40:59Z) - On the Role of Sensor Fusion for Object Detection in Future Vehicular
Networks [25.838878314196375]
異なるセンサの組み合わせが車両の移動・運転環境の検出にどのように影響するかを評価します。
最終的な目標は、チャネルに分散するデータの量を最小限に抑える最適な設定を特定することです。
論文 参考訳(メタデータ) (2021-04-23T18:58:37Z) - DS-Net: Dynamic Spatiotemporal Network for Video Salient Object
Detection [78.04869214450963]
時間情報と空間情報のより効果的な融合のための新しい動的時空間ネットワーク(DSNet)を提案する。
提案手法は最先端アルゴリズムよりも優れた性能が得られることを示す。
論文 参考訳(メタデータ) (2020-12-09T06:42:30Z) - A Spatio-temporal Track Association Algorithm Based on Marine Vessel
Automatic Identification System Data [5.453186558530502]
動的脅威環境でリアルタイムに移動する物体を追跡することは、国家安全保障と監視システムにおいて重要である。
動きの異常パターンを見つけるには、正確なデータアソシエーションアルゴリズムが必要である。
自動識別システムにより船舶の位置と姿勢の観察が収集されるとき, 海上船舶の追跡のための時間的アプローチを開発する。
論文 参考訳(メタデータ) (2020-10-29T20:11:38Z) - Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for
Online Collision Avoidance [95.86944752753564]
本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。
我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。
本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
論文 参考訳(メタデータ) (2020-07-28T07:34:30Z) - Object Goal Navigation using Goal-Oriented Semantic Exploration [98.14078233526476]
本研究は,未確認環境における対象カテゴリーのインスタンスにナビゲートするオブジェクトゴールナビゲーションの問題を研究する。
本稿では,表層的なセマンティックマップを構築し,効率的に環境を探索する「ゴール指向セマンティック探索」というモジュールシステムを提案する。
論文 参考訳(メタデータ) (2020-07-01T17:52:32Z) - Reinforcement Learning for UAV Autonomous Navigation, Mapping and Target
Detection [36.79380276028116]
本研究では,無人航空機(UAV)に低高度レーダーを装備し,未知の環境下での飛行における共同検出・マッピング・ナビゲーション問題について検討する。
目的は、マッピング精度を最大化する目的で軌道を最適化することであり、目標検出の観点からは、測定が不十分な領域を避けることである。
論文 参考訳(メタデータ) (2020-05-05T20:39:18Z) - Depthwise Non-local Module for Fast Salient Object Detection Using a
Single Thread [136.2224792151324]
本稿では,高速な物体検出のための新しいディープラーニングアルゴリズムを提案する。
提案アルゴリズムは,1つのCPUスレッドと同時に,競合精度と高い推論効率を実現する。
論文 参考訳(メタデータ) (2020-01-22T15:23:48Z) - Deep Learning based Pedestrian Inertial Navigation: Methods, Dataset and
On-Device Inference [49.88536971774444]
慣性測定ユニット(IMU)は小型で安価でエネルギー効率が良く、スマートデバイスや移動ロボットに広く使われている。
正確で信頼性の高い歩行者ナビゲーションをサポートするために慣性データをエクスプロイトすることは、新しいインターネット・オブ・シングス・アプリケーションやサービスにとって重要なコンポーネントである。
我々は、深層学習に基づく慣性ナビゲーション研究のための最初の公開データセットであるOxIOD(OxIOD)を提示、リリースする。
論文 参考訳(メタデータ) (2020-01-13T04:41:54Z)
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。