論文の概要: Secure Navigation using Landmark-based Localization in a GPS-denied Environment

• arxiv url: http://arxiv.org/abs/2402.14280v1
• Date: Thu, 22 Feb 2024 04:41:56 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-23 16:21:05.019312
• Title: Secure Navigation using Landmark-based Localization in a GPS-denied Environment
• Title（参考訳）: GPS環境におけるランドマークを用いた安全なナビゲーション
• Authors: Ganesh Sapkota, Sanjay Madria
• Abstract要約: 本稿では,ランドマークに基づくローカライゼーション(LanBLoc)と拡張カルマンフィルタ(EKF)を統合した新たなフレームワークを提案する。 本稿では,障害物や危険のない経路を移動する物体を誘導する2つのアプローチについて,シミュレーションした戦場シナリオを提案する。
• 参考スコア（独自算出の注目度）: 1.19658449368018
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In modern battlefield scenarios, the reliance on GPS for navigation can be a critical vulnerability. Adversaries often employ tactics to deny or deceive GPS signals, necessitating alternative methods for the localization and navigation of mobile troops. Range-free localization methods such as DV-HOP rely on radio-based anchors and their average hop distance which suffers from accuracy and stability in a dynamic and sparse network topology. Vision-based approaches like SLAM and Visual Odometry use sensor fusion techniques for map generation and pose estimation that are more sophisticated and computationally expensive. This paper proposes a novel framework that integrates landmark-based localization (LanBLoc) with an Extended Kalman Filter (EKF) to predict the future state of moving entities along the battlefield. Our framework utilizes safe trajectory information generated by the troop control center by considering identifiable landmarks and pre-defined hazard maps. It performs point inclusion tests on the convex hull of the trajectory segments to ensure the safety and survivability of a moving entity and determines the next point forward decisions. We present a simulated battlefield scenario for two different approaches (with EKF and without EKF) that guide a moving entity through an obstacle and hazard-free path. Using the proposed method, we observed a percent error of 6.51% lengthwise in safe trajectory estimation with an Average Displacement Error (ADE) of 2.97m and a Final Displacement Error (FDE) of 3.27m. The results demonstrate that our approach not only ensures the safety of the mobile units by keeping them within the secure trajectory but also enhances operational effectiveness by adapting to the evolving threat landscape.
• Abstract（参考訳）: 現代の戦場では、ナビゲーションのためのGPSへの依存は重大な脆弱性となる可能性がある。 敵はしばしばGPS信号を否定したり欺いたりするために戦術を採用し、移動部隊の局地化と航法のための代替手段を必要としている。 DV-HOPのようなレンジフリーなローカライゼーション手法は、無線ベースのアンカーと、ダイナミックでスパースなネットワークトポロジの精度と安定性に苦しむ平均ホップ距離に依存している。 SLAMやVisual Odometryのような視覚ベースのアプローチは、より高度で計算コストの高いマップ生成とポーズ推定にセンサー融合技術を使用する。 本稿では,ランドマークに基づく位置決め(lanbloc)と拡張カルマンフィルタ(ekf)を統合し,戦場における移動体の将来状態を予測する新しい枠組みを提案する。 本フレームワークは,部隊管理センターが生成する安全軌道情報を利用して,特定可能なランドマークと事前定義された危険マップを考察する。 軌道セグメントの凸殻上で点包含試験を行い、移動体の安全性と生存性を確保し、次の点前方決定を決定する。 本研究では, EKF と EKF の2つの異なるアプローチに対して, 障害物や危険のない経路から移動体を誘導するシミュレーション戦場シナリオを提案する。 提案手法では,平均変位誤差 (ade) が2.97m,最終変位誤差 (fde) が3.27mの安全な軌道推定において, 平均変位誤差 (ade) が6.51%の誤差であることがわかった。 その結果,本手法は,安全な軌道に保持することでモバイル機器の安全性を確保できるだけでなく,進展する脅威環境に適応することで運用効率を向上させる。

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)
• 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)
• Landmark-based Localization using Stereo Vision and Deep Learning in GPS-Denied Battlefield Environment [1.19658449368018]
  本稿では、受動カメラセンサのみを用いた非GPS戦場環境におけるローカライズのための新しいフレームワークを提案する。 提案手法では,距離推定にカスタムキャリブレーションされたステレオカメラと,実世界のランドマーク認識のためのデータセットを用いて訓練および微調整を行うYOLOv8sモデルを用いる。 実験の結果,提案手法は既存のアンカーベースDV-Hopアルゴリズムよりも優れた性能を示し,ローカライゼーション誤差(RMSE)の点で最も効率的な視覚ベースアルゴリズムと競合することがわかった。
  論文  参考訳（メタデータ） (2024-02-19T21:20:56Z)
• Visual Environment Assessment for Safe Autonomous Quadrotor Landing [8.538463567092297]
  本研究では,安全な四段着陸のための着陸地点の検出と評価を行う新しい手法を提案する。 本ソリューションは,GPSなどの外部支援を不要にしながら,2次元および3次元環境情報を効率的に統合する。 提案手法は,計算能力に制限のあるクオータ上でリアルタイムに実行される。
  論文  参考訳（メタデータ） (2023-11-16T18:02:10Z)
• Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
  本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。 提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。 実世界のデータセットの実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-09-21T15:00:31Z)
• View Consistent Purification for Accurate Cross-View Localization [59.48131378244399]
  本稿では,屋外ロボットのための微細な自己局在化手法を提案する。 提案手法は,既存のクロスビューローカライゼーション手法の限界に対処する。 これは、動的環境における知覚を増強する初めての疎視のみの手法である。
  論文  参考訳（メタデータ） (2023-08-16T02:51:52Z)
• Efficient Real-time Smoke Filtration with 3D LiDAR for Search and Rescue with Autonomous Heterogeneous Robotic Systems [56.838297900091426]
  スモークとダストは、搭載された知覚システムに依存するため、あらゆる移動ロボットプラットフォームの性能に影響を与える。 本稿では,重みと空間情報に基づく新しいモジュラー計算フィルタを提案する。
  論文  参考訳（メタデータ） (2023-08-14T16:48:57Z)
• Robust Monocular Localization in Sparse HD Maps Leveraging Multi-Task Uncertainty Estimation [28.35592701148056]
  スライドウインドウポーズグラフに基づく新しい単分子局在化手法を提案する。 効率的なマルチタスク不確実性認識モジュールを提案する。 我々の手法は、挑戦的な都市シナリオにおけるロバストで正確な6Dローカライズを可能にする。
  論文  参考訳（メタデータ） (2021-10-20T13:46:15Z)
• 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)
• Towards robust sensing for Autonomous Vehicles: An adversarial perspective [82.83630604517249]
  結果として得られる決定が摂動に対して堅牢であることは、最も重要なことです。 敵対的摂動は、意図的に環境や感覚測定の修正を施したものである。 より安全なシステムの構築とデプロイには,センサーシステムの脆弱性を慎重に評価する必要がある。
  論文  参考訳（メタデータ） (2020-07-14T05:25:15Z)
• 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)

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。