論文の概要: Airship Formations for Animal Motion Capture and Behavior Analysis

• arxiv url: http://arxiv.org/abs/2404.08986v1
• Date: Sat, 13 Apr 2024 12:18:19 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-16 17:43:54.787467
• Title: Airship Formations for Animal Motion Capture and Behavior Analysis
• Title（参考訳）: 動物運動キャプチャーのための飛行船形成と行動解析
• Authors: Eric Price, Aamir Ahmad,
• Abstract要約: 複数の角度から野生の馬を追跡し、追跡し、視覚的に記録するために、飛行船の形成を使用するように設計されたシステムを紹介します。 本研究では,複数の角度から野生の馬を追跡し,追跡し,視覚的に記録するための飛行船形成システムを紹介する。
• 参考スコア（独自算出の注目度）: 4.939986309170004
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Using UAVs for wildlife observation and motion capture offers manifold advantages for studying animals in the wild, especially grazing herds in open terrain. The aerial perspective allows observation at a scale and depth that is not possible on the ground, offering new insights into group behavior. However, the very nature of wildlife field-studies puts traditional fixed wing and multi-copter systems to their limits: limited flight time, noise and safety aspects affect their efficacy, where lighter than air systems can remain on station for many hours. Nevertheless, airships are challenging from a ground handling perspective as well as from a control point of view, being voluminous and highly affected by wind. In this work, we showcase a system designed to use airship formations to track, follow, and visually record wild horses from multiple angles, including airship design, simulation, control, on board computer vision, autonomous operation and practical aspects of field experiments.
• Abstract（参考訳）: UAVを野生動物の観察やモーションキャプチャーに利用することで、野生の動物、特に開けた地形の牧草地の研究に多様体の利点を提供する。 空中の視界は、地上では不可能なスケールと深さでの観測を可能にし、グループ行動に対する新たな洞察を提供する。 しかし、野生生物のフィールドスタディの本質は、従来の固定翼とマルチコプターのシステムに限界を与え、飛行時間、騒音、安全面がそれらの効果に影響を与える。 それでも、飛行船は地上操作の観点からも制御の観点からも困難であり、風の影響を受けやすい。 本研究では,飛行船形状を用いて,飛行船設計,シミュレーション,制御,ボードコンピュータビジョン,自律動作,フィールド実験の実践的側面など,様々な角度から野生の馬を追跡・追跡・視覚的に記録するシステムを紹介する。

関連論文リスト

• UAVs and Birds: Enhancing Short-Range Navigation through Budgerigar Flight Studies [2.3884184860468136]
  本研究は,Budgerigars (Melopsittacus undulatus) の飛行行動について検討し,飛行軌跡や運動の知見を得た。 ステレオビデオカメラ記録からの3次元再構成を用いて, 3回の離陸, 飛行, 着陸時の速度, 加速度パターンを綿密に検討した。 この研究は、鳥類で観察される生物学的原理と、より効率的で自律的なUAVの開発におけるこれらの洞察の応用のギャップを埋めることを目的としている。
  論文  参考訳（メタデータ） (2023-12-01T14:02:16Z)
• The eyes and hearts of UAV pilots: observations of physiological responses in real-life scenarios [64.0476282000118]
  民間機や軍用機では、パイロットはリアルなシミュレーターで自分の反応や反射を調整できる。 この作業は、現場でパイロットの行動を収集し、パフォーマンスを向上させるソリューションを提供することを目的としています。
  論文  参考訳（メタデータ） (2022-10-26T14:16:56Z)
• VPAIR -- Aerial Visual Place Recognition and Localization in Large-scale Outdoor Environments [49.82314641876602]
  VPAIRという新しいデータセットを提示します。 データセットは地上300メートル以上の高度で飛行する軽航空機に記録されている。 このデータセットは、様々なタイプの挑戦的な風景を、100km以上にわたってカバーしている。
  論文  参考訳（メタデータ） (2022-05-23T18:50:08Z)
• Neural-Fly Enables Rapid Learning for Agile Flight in Strong Winds [96.74836678572582]
  本稿では,ディープラーニングを通じて事前学習した表現を組み込むことで,オンラインでの迅速な適応を可能にする学習ベースのアプローチを提案する。 Neural-Flyは、最先端の非線形かつ適応的なコントローラよりもかなり少ないトラッキングエラーで正確な飛行制御を実現する。
  論文  参考訳（メタデータ） (2022-05-13T21:55:28Z)
• Optimizing Airborne Wind Energy with Reinforcement Learning [0.0]
  強化学習(Reinforcement Learning)は、システムの事前の知識を必要とせずに、観察と利益ある行動とを関連付ける技術である。 シミュレーション環境において、強化学習は、遠距離で車両を牽引できるように、カイトを効率的に制御する方法を見出した。
  論文  参考訳（メタデータ） (2022-03-27T10:28:16Z)
• The State of Aerial Surveillance: A Survey [62.198765910573556]
  本稿では、コンピュータビジョンとパターン認識の観点から、人間中心の空中監視タスクの概要を概観する。 主な対象は、単体または複数の被験者が検出され、特定され、追跡され、再同定され、その振る舞いが分析される人間である。
  論文  参考訳（メタデータ） (2022-01-09T20:13:27Z)
• Learning Perceptual Locomotion on Uneven Terrains using Sparse Visual Observations [75.60524561611008]
  この研究は、人中心の環境において、よく見られるバンプ、ランプ、階段の広い範囲にわたる知覚的移動を達成するために、スパースな視覚的観察の使用を活用することを目的としている。 まず、関心の均一な面を表すことのできる最小限の視覚入力を定式化し、このような外受容的・固有受容的データを統合した学習フレームワークを提案する。 本研究では, 平地を全方向歩行し, 障害物のある地形を前方移動させるタスクにおいて, 学習方針を検証し, 高い成功率を示す。
  論文  参考訳（メタデータ） (2021-09-28T20:25:10Z)
• 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)
• Control of rough terrain vehicles using deep reinforcement learning [0.0]
  この手紙は16トンの森林車両を知覚し、計画し、うまく制御するコントローラーを提示する。 注意深く形づくられた報酬信号は、安全、環境、および効率的な運転を促進する。 我々は,森林の高密度レーザースキャンから構築した地形を含む仮想環境下での学習技術を検証した。
  論文  参考訳（メタデータ） (2021-07-05T08:43:05Z)
• Dynamic Autonomous Surface Vehicle Control and Applications in Environmental Monitoring [1.6774978731594548]
  本稿では,敵対力の存在下でのロボット操作の問題に対処する。 風や電流の存在は、車両に作用する外部の力を生み出し、意図した経路から逸脱することが多い。 これらの現象、風と電流を測定し、船への影響をモデル化することで、その効果を緩和することができる。
  論文  参考訳（メタデータ） (2021-03-29T20:55:52Z)

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。