論文の概要: A Multimodal Learning-based Approach for Autonomous Landing of UAV

• arxiv url: http://arxiv.org/abs/2405.12681v1
• Date: Tue, 21 May 2024 11:14:16 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-22 13:39:22.804099
• Title: A Multimodal Learning-based Approach for Autonomous Landing of UAV
• Title（参考訳）: UAVの自律着陸のためのマルチモーダル学習に基づくアプローチ
• Authors: Francisco Neves, Luís Branco, Maria Pereira, Rafael Claro, Andry Pinto,
• Abstract要約: 本稿では,高度自律着陸のためのマルチモーダル変圧器を用いたDeep Learning検出器を提案する。 個々のセンサーの制限に対処し、多様な天候やセンサーの故障状況においても高い信頼性を達成することで、標準的なアプローチを超越している。 深層Q-Network(DQN)の理論的根拠に基づく強化学習(RL)意思決定モデルを提案する。
• 参考スコア（独自算出の注目度）: 0.7864304771129751
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In the field of autonomous Unmanned Aerial Vehicles (UAVs) landing, conventional approaches fall short in delivering not only the required precision but also the resilience against environmental disturbances. Yet, learning-based algorithms can offer promising solutions by leveraging their ability to learn the intelligent behaviour from data. On one hand, this paper introduces a novel multimodal transformer-based Deep Learning detector, that can provide reliable positioning for precise autonomous landing. It surpasses standard approaches by addressing individual sensor limitations, achieving high reliability even in diverse weather and sensor failure conditions. It was rigorously validated across varying environments, achieving optimal true positive rates and average precisions of up to 90%. On the other hand, it is proposed a Reinforcement Learning (RL) decision-making model, based on a Deep Q-Network (DQN) rationale. Initially trained in sumlation, its adaptive behaviour is successfully transferred and validated in a real outdoor scenario. Furthermore, this approach demonstrates rapid inference times of approximately 5ms, validating its applicability on edge devices.
• Abstract（参考訳）: 無人無人航空機(UAV)着陸の分野では、従来のアプローチは必要な精度だけでなく、環境障害に対する弾力性も提供できない。 しかし、学習ベースのアルゴリズムは、データからインテリジェントな振る舞いを学ぶ能力を活用することによって、有望なソリューションを提供することができる。 一方,本研究では,高精度な自律着陸のための信頼性の高い位置決めが可能な,マルチモーダルトランスフォーマーに基づくDeep Learning検出器を提案する。 個々のセンサーの制限に対処し、多様な天候やセンサーの故障状況においても高い信頼性を達成することで、標準的なアプローチを超越している。 様々な環境において厳密に検証され、最適な真の正の速度と平均精度を最大90%まで達成した。 一方,Deep Q-Network(DQN)の理論的根拠に基づく強化学習(RL)意思決定モデルを提案する。 最初は要約で訓練され、適応的な振る舞いは実際の屋外シナリオでうまく転送され、検証される。 さらに、このアプローチは、およそ5msの高速な推論時間を示し、エッジデバイスへの適用性を検証する。

関連論文リスト

• Sim-to-Real Transfer of Adaptive Control Parameters for AUV Stabilization under Current Disturbance [1.099532646524593]
  本稿では,最大エントロピー深層強化学習フレームワークを古典的なモデルベース制御アーキテクチャと組み合わせ,適応制御系を定式化する新しい手法を提案する。 本フレームワークでは,バイオインスパイアされた体験再生機構,拡張されたドメインランダム化手法,物理プラットフォーム上で実行される評価プロトコルなどを含むSim-to-Real転送戦略を導入する。 実験により,AUVの準最適モデルから有能なポリシを効果的に学習し,実車への移動時の制御性能を3倍に向上することを示した。
  論文  参考訳（メタデータ） (2023-10-17T08:46:56Z)
• METAVerse: Meta-Learning Traversability Cost Map for Off-Road Navigation [5.036362492608702]
  本稿では,地形変動を正確に予測するグローバルモデル学習用メタラーニングフレームワークMETAVerseを提案する。 トラバーサビリティ予測ネットワークをトレーニングし、疎いLiDAR点雲から高密度で連続的なコストマップを生成する。 近年の交流体験を生かして,ネットワークをローカル環境に迅速に適応させるために,オンライン適応を行う。
  論文  参考訳（メタデータ） (2023-07-26T06:58:19Z)
• 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)
• AutoFed: Heterogeneity-Aware Federated Multimodal Learning for Robust Autonomous Driving [15.486799633600423]
  AutoFedは、自動運転車のマルチモーダルセンサーデータをフル活用するためのフレームワークである。 本研究では, 未知の物体を背景として誤って扱うことを避けるために, 擬似ラベルを用いた新しいモデルを提案する。 また、欠落したデータモダリティを補うために、オートエンコーダに基づくデータ計算手法を提案する。
  論文  参考訳（メタデータ） (2023-02-17T01:31:53Z)
• Interpretable Self-Aware Neural Networks for Robust Trajectory Prediction [50.79827516897913]
  本稿では,意味概念間で不確実性を分散する軌道予測のための解釈可能なパラダイムを提案する。 実世界の自動運転データに対する我々のアプローチを検証し、最先端のベースラインよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2022-11-16T06:28:20Z)
• Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge Computing: A Contextual-Bandit Approach [81.5261621619557]
  階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。 まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。 そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
  論文  参考訳（メタデータ） (2021-08-09T08:45:47Z)
• Efficient and Robust LiDAR-Based End-to-End Navigation [132.52661670308606]
  我々は,LiDARをベースとした効率的なエンドツーエンドナビゲーションフレームワークを提案する。 本稿では,スパース畳み込みカーネル最適化とハードウェア対応モデル設計に基づくFast-LiDARNetを提案する。 次に,単一の前方通過のみから予測の不確かさを直接推定するハイブリッド・エビデンシャル・フュージョンを提案する。
  論文  参考訳（メタデータ） (2021-05-20T17:52:37Z)
• Robust Autonomous Landing of UAV in Non-Cooperative Environments based on Dynamic Time Camera-LiDAR Fusion [11.407952542799526]
  低コストLiDARと双眼カメラを備えたUAVシステムを構築し,非協調環境における自律着陸を実現する。 我々は,LiDARの非繰り返し走査と高いFOVカバレッジ特性を利用して,動的時間深度補完アルゴリズムを考案した。 深度マップに基づいて, 傾斜, 粗度, 安全領域の大きさなどの高層地形情報を導出する。
  論文  参考訳（メタデータ） (2020-11-27T14:47:02Z)
• Unsupervised Domain Adaptation for Speech Recognition via Uncertainty Driven Self-Training [55.824641135682725]
  WSJ をソースドメインとし,TED-Lium 3 とSWITCHBOARD を併用したドメイン適応実験を行った。
  論文  参考訳（メタデータ） (2020-11-26T18:51:26Z)
• Guided Uncertainty-Aware Policy Optimization: Combining Learning and Model-Based Strategies for Sample-Efficient Policy Learning [75.56839075060819]
  従来のロボットのアプローチは、環境の正確なモデル、タスクの実行方法の詳細な説明、現在の状態を追跡するための堅牢な認識システムに依存している。 強化学習アプローチは、タスクを記述するための報酬信号だけで、生の感覚入力から直接操作することができるが、非常にサンプル非効率で脆弱である。 本研究では,ロボットの知覚・運動パイプラインにおける不正確さを克服できる一般的な手法を得るために,モデルに基づく手法の強みと学習に基づく手法の柔軟性を組み合わせる。
  論文  参考訳（メタデータ） (2020-05-21T19:47:05Z)

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。