論文の概要: Segmentation of Drone Collision Hazards in Airborne RADAR Point Clouds
Using PointNet
- arxiv url: http://arxiv.org/abs/2311.03221v1
- Date: Mon, 6 Nov 2023 16:04:58 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-07 13:48:07.626747
- Title: Segmentation of Drone Collision Hazards in Airborne RADAR Point Clouds
Using PointNet
- Title（参考訳）: ポイントネットを用いた空中RAAR点雲中のドローン衝突のセグメンテーション
- Authors: Hector Arroyo, Paul Kier, Dylan Angus, Santiago Matalonga, Svetlozar
Georgiev, Mehdi Goli, Gerard Dooly, James Riordan
- Abstract要約: 統合のための重要な前提条件は、安全な運用を確保するために、状況認識を増強したUAVを装備することである。
本研究は,複数の衝突リスクを同時に識別するために,レーダ技術を活用した航空点雲のエンドツーエンドセマンティックセマンティックセマンティックセグメンテーションを実現する。
我々の知る限り、これは空中における複数の衝突脅威の同時識別に対処する最初のアプローチであり、94%の精度を達成する。
- 参考スコア（独自算出の注目度）: 0.7067443325368975
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The integration of unmanned aerial vehicles (UAVs) into shared airspace for
beyond visual line of sight (BVLOS) operations presents significant challenges
but holds transformative potential for sectors like transportation,
construction, energy and defense. A critical prerequisite for this integration
is equipping UAVs with enhanced situational awareness to ensure safe
operations. Current approaches mainly target single object detection or
classification, or simpler sensing outputs that offer limited perceptual
understanding and lack the rapid end-to-end processing needed to convert sensor
data into safety-critical insights. In contrast, our study leverages radar
technology for novel end-to-end semantic segmentation of aerial point clouds to
simultaneously identify multiple collision hazards. By adapting and optimizing
the PointNet architecture and integrating aerial domain insights, our framework
distinguishes five distinct classes: mobile drones (DJI M300 and DJI Mini) and
airplanes (Ikarus C42), and static returns (ground and infrastructure) which
results in enhanced situational awareness for UAVs. To our knowledge, this is
the first approach addressing simultaneous identification of multiple collision
threats in an aerial setting, achieving a robust 94% accuracy. This work
highlights the potential of radar technology to advance situational awareness
in UAVs, facilitating safe and efficient BVLOS operations.
- Abstract（参考訳）: 無人航空機(UAV)を視覚視線(BVLOS)を超えて共有空域に統合することは大きな課題であるが、輸送、建設、エネルギー、防衛といった分野に変革をもたらす可能性がある。
この統合の重要な前提条件は、uavに安全な運用を確保するための状況認識を強化することである。
現在のアプローチは、主に単一オブジェクトの検出や分類、あるいは知覚的理解が限定され、センサーデータを安全クリティカルな洞察に変換するために必要な、迅速なエンドツーエンド処理が欠如している単純なセンシング出力をターゲットにしている。
対照的に,本研究ではレーダー技術を用いて,複数の衝突ハザードを同時に識別するために,空中雲のエンドツーエンドセマンティクスセグメンテーションを提案する。
PointNetアーキテクチャの適応と最適化、航空ドメインの洞察の統合により、我々のフレームワークは、モバイルドローン(DJI M300とDJI Mini)と航空機(Ikarus C42)と静的リターン(地上とインフラ)の5つの異なるクラスを区別する。
我々の知る限り、これは空中における複数の衝突脅威の同時識別に対処する最初のアプローチであり、94%の精度を達成する。
この研究は、UAVにおける状況認識を促進するためのレーダー技術の可能性を強調し、安全で効率的なBVLOS運用を促進する。
関連論文リスト
- Towards Building Secure UAV Navigation with FHE-aware Knowledge Distillation [0.0]
本稿では,セキュアなUAVナビゲーションの実現性を高めるため,知識蒸留を活用した革新的なアプローチを提案する。
RLとFHEを統合することで、我々のフレームワークは、暗号化されたUAVカメラフィードのリアルタイム処理を可能にしながら、敵攻撃に対する脆弱性に対処する。
FHEのレイテンシを軽減するために、知識蒸留を用いてネットワークを圧縮し、性能を損なうことなく18倍のスピードアップを実現している。
論文 参考訳（メタデータ） (2024-11-01T07:04:24Z) - PDSR: Efficient UAV Deployment for Swift and Accurate Post-Disaster Search and Rescue [2.367791790578455]
本稿では,PDSR(Post-Disaster Search and Rescue)のための包括的フレームワークを提案する。
この概念の中心は、多様なセンシング、通信、情報機能を備えたUAVスワムの迅速な展開である。
提案手法は従来の手法よりもはるかに高速に損傷領域の完全なカバレッジを実現することを目的としている。
論文 参考訳（メタデータ） (2024-10-30T12:46:15Z) - ASMA: An Adaptive Safety Margin Algorithm for Vision-Language Drone Navigation via Scene-Aware Control Barrier Functions [9.645098673995317]
制御障壁関数(CBF)は、最適制御問題を解くことで安全性を保証する効率的なツールである。
RGB-Dセンサで得られたエゴ中心の観測により,新しいシーン認識CBFを定式化する。
我々は,移動物体を追跡するためのドローンの深度マップを収集し,現場認識CBF評価を行うアダプティブ・セーフティ・マージン(Adaptive Safety Margin)を提案する。
論文 参考訳（メタデータ） (2024-09-16T13:44:50Z) - Optimizing Fault-Tolerant Quality-Guaranteed Sensor Deployments for UAV
Localization in Critical Areas via Computational Geometry [0.6445605125467574]
小型の無人航空機(UAV)は、空港、発電所、政府や軍事施設などの重要な地域に深刻な脅威をもたらす。
本稿では,UAVローカライゼーションのための三角センサの展開を計算し,複数のセンサ品質レベルのカバレッジ,コスト効率,耐故障性などの指標を最適化する。
我々は,2つの大きな3D臨界領域,ローマレオナルド・ダ・ヴィンチ国際空港(FCO)とウィーン国際空港(VIC)におけるUAVローカライゼーションのための最適なセンサ配置を計算し,我々のアプローチの実現可能性を示す。
論文 参考訳（メタデータ） (2023-12-05T17:58:22Z) - UAV Swarm-enabled Collaborative Secure Relay Communications with
Time-domain Colluding Eavesdropper [115.56455278813756]
航空中継機としての無人航空機(UAV)は、インターネットモノ(IoT)ネットワークの補助として事実上魅力的である。
本研究では,UAV基地局と端末端末装置間のセキュアな通信を支援するために,UAVを活用することを目的とする。
論文 参考訳（メタデータ） (2023-10-03T11:47:01Z) - Integrated Sensing, Computation, and Communication for UAV-assisted
Federated Edge Learning [52.7230652428711]
フェデレーションエッジ学習(FEEL)は、エッジデバイスとサーバ間の定期的な通信を通じて、プライバシ保護モデルトレーニングを可能にする。
無人航空機(UAV)搭載エッジデバイスは、効率的なデータ収集における柔軟性と移動性のため、FEELにとって特に有利である。
論文 参考訳（メタデータ） (2023-06-05T16:01:33Z) - 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) - 3D UAV Trajectory and Data Collection Optimisation via Deep
Reinforcement Learning [75.78929539923749]
無人航空機(UAV)は現在、無線通信におけるネットワーク性能とカバレッジを高めるために配備され始めている。
UAV支援モノのインターネット(IoT)のための最適な資源配分方式を得ることは困難である
本稿では,UAVの最も短い飛行経路に依存しつつ,IoTデバイスから収集したデータ量を最大化しながら,新しいUAV支援IoTシステムを設計する。
論文 参考訳（メタデータ） (2021-06-06T14:08:41Z) - Transferable Deep Reinforcement Learning Framework for Autonomous
Vehicles with Joint Radar-Data Communications [69.24726496448713]
本稿では,AVの最適決定を支援するために,マルコフ決定プロセス(MDP)に基づくインテリジェントな最適化フレームワークを提案する。
そこで我々は,近年の深層強化学習技術を活用した効果的な学習アルゴリズムを開発し,AVの最適方針を見出す。
提案手法は,従来の深部強化学習手法と比較して,AVによる障害物ミス検出確率を最大67%削減することを示す。
論文 参考訳（メタデータ） (2021-05-28T08:45:37Z) - RadarNet: Exploiting Radar for Robust Perception of Dynamic Objects [73.80316195652493]
我々は、自動運転車の文脈における認識のためにRadarを利用する問題に取り組む。
我々は、LiDARとRadarの両方のセンサーを知覚に利用した新しいソリューションを提案する。
RadarNetと呼ばれる我々のアプローチは、ボクセルベースの早期核融合と注意に基づく後期核融合を特徴としている。
論文 参考訳（メタデータ） (2020-07-28T17:15:02Z) - Dynamic Radar Network of UAVs: A Joint Navigation and Tracking Approach [36.587096293618366]
新たな問題は、建物の後ろに隠れている無人小型無人航空機(UAV)を追跡することである。
本稿では,悪意のある標的のリアルタイムかつ高精度な追跡のためのUAVの動的レーダネットワークを提案する。
論文 参考訳（メタデータ） (2020-01-13T23:23:09Z)
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。