論文の概要: ASMA: An Adaptive Safety Margin Algorithm for Vision-Language Drone Navigation via Scene-Aware Control Barrier Functions

• arxiv url: http://arxiv.org/abs/2409.10283v1
• Date: Mon, 16 Sep 2024 13:44:50 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-18 21:09:36.352379
• Title: ASMA: An Adaptive Safety Margin Algorithm for Vision-Language Drone Navigation via Scene-Aware Control Barrier Functions
• Title（参考訳）: ASMA:Scene-Aware Control Barrier関数による視覚言語ドローンナビゲーションのためのアダプティブセーフティマージンアルゴリズム
• Authors: Sourav Sanyal, Kaushik Roy,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 9.645098673995317
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the rapidly evolving field of vision-language navigation (VLN), ensuring robust safety mechanisms remains an open challenge. Control barrier functions (CBFs) are efficient tools which guarantee safety by solving an optimal control problem. In this work, we consider the case of a teleoperated drone in a VLN setting, and add safety features by formulating a novel scene-aware CBF using ego-centric observations obtained through an RGB-D sensor. As a baseline, we implement a vision-language understanding module which uses the contrastive language image pretraining (CLIP) model to query about a user-specified (in natural language) landmark. Using the YOLO (You Only Look Once) object detector, the CLIP model is queried for verifying the cropped landmark, triggering downstream navigation. To improve navigation safety of the baseline, we propose ASMA -- an Adaptive Safety Margin Algorithm -- that crops the drone's depth map for tracking moving object(s) to perform scene-aware CBF evaluation on-the-fly. By identifying potential risky observations from the scene, ASMA enables real-time adaptation to unpredictable environmental conditions, ensuring optimal safety bounds on a VLN-powered drone actions. Using the robot operating system (ROS) middleware on a parrot bebop2 quadrotor in the gazebo environment, ASMA offers 59.4% - 61.8% increase in success rates with insignificant 5.4% - 8.2% increases in trajectory lengths compared to the baseline CBF-less VLN while recovering from unsafe situations.
• Abstract（参考訳）: 視覚言語ナビゲーション(VLN)の急速に発展する分野では、堅牢な安全機構の確保は依然としてオープンな課題である。 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。 本稿では,VLN環境における遠隔操作型ドローンの事例を考察し,RGB-Dセンサを用いて得られた自我中心の観測を用いて,新たなシーン認識CBFを定式化することによって,安全性を付加する。 ベースラインとして、コントラスト言語画像事前学習(CLIP)モデルを用いて、ユーザが指定した(自然言語で)ランドマークについて問い合わせる視覚言語理解モジュールを実装した。 YOLO(You Only Look Once)オブジェクト検出器を使用して、CLIPモデルは、収穫されたランドマークを検証するためにクエリされ、下流のナビゲーションをトリガーする。 ベースラインのナビゲーション安全性を向上させるために,移動物体を追跡するためのドローンの深度マップを抽出し,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・アルゴリズム (Adaptive Safety Margin Algorithm) を提案する。 現場から潜在的に危険な観測を識別することにより、ASMAは予測不可能な環境条件へのリアルタイム適応を可能にし、VLN搭載ドローンのアクションに最適な安全性を確保できる。 ガゼボ環境におけるオウム・ベボプ2四重奏盤上のロボット・オペレーティングシステム(ROS)ミドルウェアを用いて、ASMAは59.4% - 61.8%の成功率と重要な5.4% - 8.2%の軌道長の上昇を保証し、安全でない状況から回復する。

関連論文リスト

• Defining and Evaluating Physical Safety for Large Language Models [62.4971588282174]
  大型言語モデル (LLM) は、ドローンのようなロボットシステムを制御するためにますます使われている。 現実世界のアプリケーションに物理的な脅威や害をもたらすリスクは、まだ解明されていない。 我々は,ドローンの物理的安全性リスクを,(1)目標脅威,(2)目標脅威,(3)インフラ攻撃,(4)規制違反の4つのカテゴリに分類する。
  論文  参考訳（メタデータ） (2024-11-04T17:41:25Z)
• 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)
• Long-Range Vision-Based UAV-assisted Localization for Unmanned Surface Vehicles [7.384309568198598]
  地球測位システム (GPS) は海洋環境下での無人表面車両 (USV) によるフィールド操作に必須のナビゲーション手法となっている。 GPSは、自然の干渉や悪意のある妨害攻撃に弱いため、必ずしも屋外で利用できるとは限らない。 本研究では,無人航空機(UAV)を用いて,制限された海洋環境下でのUSVのローカライズを支援する新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-08-21T08:37:37Z)
• Secure Navigation using Landmark-based Localization in a GPS-denied Environment [1.19658449368018]
  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。
  論文  参考訳（メタデータ） (2024-02-22T04:41:56Z)
• Angle Robustness Unmanned Aerial Vehicle Navigation in GNSS-Denied Scenarios [66.05091704671503]
  本稿では、ポイントツーポイントナビゲーションタスクにおける飛行偏差に対処する新しい角度ナビゲーションパラダイムを提案する。 また、Adaptive Feature Enhance Module、Cross-knowledge Attention-guided Module、Robust Task-oriented Head Moduleを含むモデルを提案する。
  論文  参考訳（メタデータ） (2024-02-04T08:41:20Z)
• Segmentation of Drone Collision Hazards in Airborne RADAR Point Clouds Using PointNet [0.7067443325368975]
  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。
  論文  参考訳（メタデータ） (2023-11-06T16:04:58Z)
• Runtime Stealthy Perception Attacks against DNN-based Adaptive Cruise Control Systems [8.561553195784017]
  本稿では,実行時認識攻撃下での深層ニューラルネットワークを用いたACCシステムのセキュリティ評価を行う。 攻撃を誘発する最も重要な時間を選択するための文脈認識戦略を提案する。 提案攻撃の有効性を,実車,公用運転データセット,現実的なシミュレーションプラットフォームを用いて評価した。
  論文  参考訳（メタデータ） (2023-07-18T03:12:03Z)
• Convergence of Communications, Control, and Machine Learning for Secure and Autonomous Vehicle Navigation [78.60496411542549]
  接続された自動運転車(CAV)は、交通事故におけるヒューマンエラーを低減し、道路効率を向上し、様々なタスクを実行する。これらのメリットを享受するためには、CAVが目標とする目的地へ自律的にナビゲートする必要がある。 本稿では,通信理論,制御理論,機械学習の収束を利用して,効果的なCAVナビゲーションを実現する手法を提案する。
  論文  参考訳（メタデータ） (2023-07-05T21:38:36Z)
• Meta-Learning Priors for Safe Bayesian Optimization [72.8349503901712]
  メタ学習アルゴリズムであるF-PACOHを構築し,データ不足の設定において確実な定量化を実現する。 コアコントリビューションとして、安全に適合した事前をデータ駆動で選択するための新しいフレームワークを開発する。 ベンチマーク関数と高精度動作系において,我々のメタ学習先行が安全なBOアプローチの収束を加速することを示す。
  論文  参考訳（メタデータ） (2022-10-03T08:38:38Z)
• BarrierNet: A Safety-Guaranteed Layer for Neural Networks [50.86816322277293]
  BarrierNetは、ニューラルコントローラの安全性の制約が環境の変化に適応できるようにする。 本研究では,2次元空間と3次元空間における交通統合やロボットナビゲーションといった一連の制御問題について評価する。
  論文  参考訳（メタデータ） (2021-11-22T15:38:11Z)
• 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)

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。