論文の概要: Vision-based Vineyard Navigation Solution with Automatic Annotation
- arxiv url: http://arxiv.org/abs/2303.14347v1
- Date: Sat, 25 Mar 2023 03:37:17 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-28 20:30:17.161704
- Title: Vision-based Vineyard Navigation Solution with Automatic Annotation
- Title（参考訳）: 自動アノテーションを用いた視覚型ヴィニヤードナビゲーションソリューション
- Authors: Ertai Liu, Josephine Monica, Kaitlin Gold, Lance Cadle-Davidson, David
Combs, Yu Jiang
- Abstract要約: 本研究では、ブドウ畑などの密作システムにおける農業ロボットのための視覚に基づく自律ナビゲーションフレームワークを提案する。
本稿では,RGB-D画像から直接経路トラバーシビリティ・ヒートマップを推定する新しい学習手法を提案する。
訓練された経路検出モデルを用いて、行追跡と行切替モジュールからなる完全なナビゲーションフレームワークを開発した。
- 参考スコア（独自算出の注目度）: 2.6013566739979463
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Autonomous navigation is the key to achieving the full automation of
agricultural research and production management (e.g., disease management and
yield prediction) using agricultural robots. In this paper, we introduced a
vision-based autonomous navigation framework for agriculture robots in
trellised cropping systems such as vineyards. To achieve this, we proposed a
novel learning-based method to estimate the path traversibility heatmap
directly from an RGB-D image and subsequently convert the heatmap to a
preferred traversal path. An automatic annotation pipeline was developed to
form a training dataset by projecting RTK GPS paths collected during the first
setup in a vineyard in corresponding RGB-D images as ground-truth path
annotations, allowing a fast model training and fine-tuning without costly
human annotation. The trained path detection model was used to develop a full
navigation framework consisting of row tracking and row switching modules,
enabling a robot to traverse within a crop row and transit between crop rows to
cover an entire vineyard autonomously. Extensive field trials were conducted in
three different vineyards to demonstrate that the developed path detection
model and navigation framework provided a cost-effective, accurate, and robust
autonomous navigation solution in the vineyard and could be generalized to
unseen vineyards with stable performance.
- Abstract（参考訳）: 自律ナビゲーションは、農業ロボットを用いて農業研究と生産管理(例えば、疾病管理と収量予測)の完全な自動化を達成するための鍵である。
本稿では,ブドウ畑などのトレル化収穫システムにおける農業ロボットのための視覚に基づく自律ナビゲーションフレームワークを提案する。
そこで本研究では,RGB-D画像から直接経路トラバーサビリティ・ヒートマップを推定し,その熱マップを所望の経路に変換する新たな学習手法を提案する。
RGB-D画像の最初のセットアップ中に収集したRTK GPSパスを接地木道アノテーションとして投影し,高速なモデルトレーニングと微調整を人体アノテーションなしで行うことで,自動アノテーションパイプラインを構築してトレーニングデータセットを構築した。
訓練された経路検出モデルは、行追跡と行切替モジュールからなる完全なナビゲーションフレームワークの開発に利用され、ロボットが作物列内を横断し、作物列間を移動してブドウ畑全体を自律的にカバーできるようになった。
3つの異なるブドウ畑で広範囲の試験が行われ、開発された経路検出モデルとナビゲーションフレームワークが、ブドウ畑でコスト効率が高く、正確で頑健な自律ナビゲーションソリューションを提供し、安定した性能を持つ未発見のブドウ畑に一般化できることを実証した。
関連論文リスト
- Neural Semantic Map-Learning for Autonomous Vehicles [85.8425492858912]
本稿では,道路環境のコヒーレントな地図を作成するために,車両群から収集した局所部分写像を中心インスタンスに融合するマッピングシステムを提案する。
本手法は,シーン特異的なニューラルサイン距離場を用いて,雑音と不完全局所部分写像を併用する。
我々は,記憶効率の高いスパース機能グリッドを活用して大規模にスケールし,シーン再構築における不確実性をモデル化するための信頼スコアを導入する。
論文 参考訳（メタデータ） (2024-10-10T10:10:03Z) - RSRD: A Road Surface Reconstruction Dataset and Benchmark for Safe and
Comfortable Autonomous Driving [67.09546127265034]
道路表面の再構築は、車両の走行計画と制御システムの解析と予測を促進するのに役立つ。
我々は,様々な運転条件下で,特定のプラットフォームで収集した実世界,高解像度,高精度のデータセットであるRoad Surface Reconstructionデータセットを紹介した。
約16,000対のステレオ画像、原点雲、地中深度・不均等地図を含む一般的な道路形態を網羅している。
論文 参考訳（メタデータ） (2023-10-03T17:59:32Z) - Enhancing Navigation Benchmarking and Perception Data Generation for
Row-based Crops in Simulation [0.3518016233072556]
本稿では,セマンティックセグメンテーションネットワークを学習するための合成データセットと,ナビゲーションアルゴリズムを高速に評価するための仮想シナリオのコレクションを提案する。
異なるフィールドジオメトリと特徴を探索するための自動パラメトリック手法が開発されている。
シミュレーションフレームワークとデータセットは、異なる作物のディープセグメンテーションネットワークをトレーニングし、その結果のナビゲーションをベンチマークすることで評価されている。
論文 参考訳（メタデータ） (2023-06-27T14:46:09Z) - Monocular BEV Perception of Road Scenes via Front-to-Top View Projection [57.19891435386843]
本稿では,鳥の目視で道路配置と車両占有率によって形成された局所地図を再構築する新しい枠組みを提案する。
我々のモデルは1つのGPU上で25FPSで動作し、リアルタイムパノラマHDマップの再構築に有効である。
論文 参考訳（メタデータ） (2022-11-15T13:52:41Z) - Position-Agnostic Autonomous Navigation in Vineyards with Deep
Reinforcement Learning [1.2599533416395767]
そこで本稿では, 高精度な局所化データを活用することなく, フレキシブルな学習アプローチでタスク調整アルゴリズムを克服することなく, 自動ブドウ園ナビゲーションの課題に対処する, 最先端の軽量ソリューションを提案する。
我々は、ノイズの多い深度画像と位置認識ロボットの状態情報を速度コマンドに直接マッピングし、ロボットを行の端まで案内し、衝突のない中心軌道への進路を連続的に調整するエンドツーエンドのセンサモレータエージェントを訓練する。
論文 参考訳（メタデータ） (2022-06-28T17:03:37Z) - 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) - Towards Autonomous Crop-Agnostic Visual Navigation in Arable Fields [2.6323812778809907]
本稿では,視覚に基づくナビゲーション方式を導入し,ロボットを行グラフのフィールドから確実に誘導する手法を提案する。
新たな作物群検出技術と新しい作物群切替技術によって,ナビゲーション手法を幅広い分野に展開することが可能となった。
論文 参考訳（メタデータ） (2021-09-24T12:54:42Z) - Deep Semantic Segmentation at the Edge for Autonomous Navigation in
Vineyard Rows [0.0]
精密農業は、農業プロセスに安価で効果的な自動化を導入することを目的としている。
提案する制御は,機械認識技術とエッジAI技術の最新技術を活用して,ブドウ畑の列内における高精度で信頼性の高いナビゲーションを実現する。
制御アルゴリズム自体によって生成されたセグメンテーションマップは、作物の状態の植物性評価のためのフィルタとして直接利用することができる。
論文 参考訳（メタデータ） (2021-07-01T18:51:58Z) - 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) - ViNG: Learning Open-World Navigation with Visual Goals [82.84193221280216]
視覚的目標達成のための学習に基づくナビゲーションシステムを提案する。
提案手法は,我々がvingと呼ぶシステムが,目標条件強化学習のための提案手法を上回っていることを示す。
我々は、ラストマイル配送や倉庫検査など、現実の多くのアプリケーションでViNGを実演する。
論文 参考訳（メタデータ） (2020-12-17T18:22:32Z) - Local Motion Planner for Autonomous Navigation in Vineyards with a RGB-D
Camera-Based Algorithm and Deep Learning Synergy [1.0312968200748118]
本研究では、ブドウ畑における自律走行のための低コストな局所移動プランナを提案する。
最初のアルゴリズムは、不均一マップとその深さ表現を利用して、ロボットプラットフォームに対する比例制御を生成する。
第2のバックアップアルゴリズムは、学習の学習に基づいており、照明の変動に耐性があり、第1ブロックが瞬間的に故障した場合にマシンを制御できる。
論文 参考訳（メタデータ） (2020-05-26T15:47:42Z)
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。