論文の概要: MarsLGPR: Mars Rover Localization with Ground Penetrating Radar
- arxiv url: http://arxiv.org/abs/2503.04944v1
- Date: Thu, 06 Mar 2025 20:19:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-10 12:20:29.601003
- Title: MarsLGPR: Mars Rover Localization with Ground Penetrating Radar
- Title（参考訳）: MarsLGPR: 地中レーダーによる火星ローバーのローバー位置決定
- Authors: Anja Sheppard, Katherine A. Skinner,
- Abstract要約: 火星のローバーローバーローカライゼーションにおける地中レーダ(GPR)の利用を提案する。
我々は1次元相対的なポーズ翻訳を予測する新しいGPRベースのディープラーニングモデルを開発した。
我々は,火星のアナログ環境で実験を行い,GPRに基づく変位予測が両輪エンコーダより優れていることを示す。
- 参考スコア（独自算出の注目度）: 2.1843439591862333
- License:
- Abstract: In this work, we propose the use of Ground Penetrating Radar (GPR) for rover localization on Mars. Precise pose estimation is an important task for mobile robots exploring planetary surfaces, as they operate in GPS-denied environments. Although visual odometry provides accurate localization, it is computationally expensive and can fail in dim or high-contrast lighting. Wheel encoders can also provide odometry estimation, but are prone to slipping on the sandy terrain encountered on Mars. Although traditionally a scientific surveying sensor, GPR has been used on Earth for terrain classification and localization through subsurface feature matching. The Perseverance rover and the upcoming ExoMars rover have GPR sensors already equipped to aid in the search of water and mineral resources. We propose to leverage GPR to aid in Mars rover localization. Specifically, we develop a novel GPR-based deep learning model that predicts 1D relative pose translation. We fuse our GPR pose prediction method with inertial and wheel encoder data in a filtering framework to output rover localization. We perform experiments in a Mars analog environment and demonstrate that our GPR-based displacement predictions both outperform wheel encoders and improve multi-modal filtering estimates in high-slip environments. Lastly, we present the first dataset aimed at GPR-based localization in Mars analog environments, which will be made publicly available upon publication.
- Abstract（参考訳）: 本研究では,火星のローバーローバーローカライゼーションにおける地中レーダ(GPR)の利用を提案する。
精密ポーズ推定は,GPSを用いた環境下において,惑星表面を探索する移動ロボットにとって重要な課題である。
ビジュアルオドメトリーは正確なローカライゼーションを提供するが、計算に高価であり、薄暗い照明や高コントラスト照明で失敗することがある。
車輪エンコーダは、オードメトリの推定を提供することもできるが、火星で遭遇した砂質の地形を滑り落ちる傾向にある。
伝統的に科学的測量センサーであったが、GPRは地球上で地形分類や地表面の特徴マッチングによる位置決めに使われてきた。
Perseveranceローバーと近く登場するExoMarsローバーには、すでに水と鉱物資源の探索を支援するためのGPRセンサーが搭載されている。
我々は,火星ローバーの局在化を支援するためにGPRを活用することを提案する。
具体的には、1次元相対的なポーズ変換を予測するGPRに基づく新しいディープラーニングモデルを開発する。
我々は,慣性および車輪エンコーダデータを用いたGPRポーズ予測手法をフィルタリングフレームワークに融合し,ローバーローカライゼーションを出力する。
我々は火星のアナログ環境で実験を行い、GPRに基づく変位予測がホイールエンコーダよりも優れ、高すべり環境でのマルチモーダルフィルタリング推定を改善することを実証した。
最後に,火星のアナログ環境におけるGPRに基づくローカライゼーションを目的とした最初のデータセットについて紹介する。
関連論文リスト
- Vision-based Geo-Localization of Future Mars Rotorcraft in Challenging Illumination Conditions [4.6901215692204286]
Geo-LoFTRは画像登録のための幾何学支援ディープラーニングモデルである。
提案方式は, 照明やスケールの変動による局所化精度において, 従来のMbLよりも優れていた。
論文 参考訳（メタデータ） (2025-02-13T22:10:21Z) - Investigating the Capabilities of Deep Learning for Processing and Interpreting One-Shot Multi-offset GPR Data: A Numerical Case Study for Lunar and Martian Environments [9.150932930653921]
地中レーダー(GPR)は、過去10年間に惑星科学で人気を博してきた、成熟した物理手法である。
GPRはルナーと火星のミッションの両方に使われ、地球外惑星の表面地質に関する重要な情報を提供している。
本稿では,GPRデータの解釈・処理におけるディープラーニングの可能性について検討する。
論文 参考訳（メタデータ） (2024-10-18T11:38:29Z) - UnLoc: A Universal Localization Method for Autonomous Vehicles using
LiDAR, Radar and/or Camera Input [51.150605800173366]
UnLocは、全ての気象条件におけるマルチセンサー入力によるローカライズのための、新しい統一型ニューラルネットワークアプローチである。
本手法は,Oxford Radar RobotCar,Apollo SouthBay,Perth-WAの各データセットで広く評価されている。
論文 参考訳（メタデータ） (2023-07-03T04:10:55Z) - Energy-Based Models for Cross-Modal Localization using Convolutional
Transformers [52.27061799824835]
GPSのない衛星画像に対して、距離センサを搭載した地上車両を位置決めする新しい枠組みを提案する。
本稿では, 畳み込み変換器を用いて, 高精度な計量レベルの局所化を行う手法を提案する。
我々は、エンドツーエンドでモデルをトレーニングし、KITTI、Pandaset、カスタムデータセットの最先端技術よりも高い精度でアプローチを実証する。
論文 参考訳（メタデータ） (2023-06-06T21:27:08Z) - Environmental Sensor Placement with Convolutional Gaussian Neural
Processes [65.13973319334625]
センサーは、特に南極のような遠隔地において、その測定の情報量が最大になるように配置することは困難である。
確率論的機械学習モデルは、予測の不確実性を最大限に低減するサイトを見つけることによって、情報的センサ配置を提案することができる。
本稿では,これらの問題に対処するために,畳み込み型ガウスニューラルプロセス(ConvGNP)を提案する。
論文 参考訳（メタデータ） (2022-11-18T17:25:14Z) - LaMAR: Benchmarking Localization and Mapping for Augmented Reality [80.23361950062302]
異種ARデバイスでキャプチャされたリアルな軌跡とセンサストリームを共登録する,包括的キャプチャとGTパイプラインを備えた新しいベンチマークであるLaMARを紹介する。
私たちは、ヘッドマウントとハンドヘルドARデバイスで記録された多様な大規模シーンのベンチマークデータセットを公開します。
論文 参考訳（メタデータ） (2022-10-19T17:58:17Z) - Mars Rover Localization Based on A2G Obstacle Distribution Pattern
Matching [0.0]
NASAのMars 2020ミッションでは、Ingenuityヘリコプターがローバーと共に運ばれる。
従来の画像マッチング手法は、有効な画像対応を得るのに苦労する。
画像に基づく岩盤検出と岩盤分布パターンマッチングを組み合わせたアルゴリズムを用いて、A2G画像対応を得る。
論文 参考訳（メタデータ） (2022-10-07T08:29:48Z) - Visual Cross-View Metric Localization with Dense Uncertainty Estimates [11.76638109321532]
本研究は、屋外ロボティクスにおける視覚的クロスビューメトリックローカライゼーションに対処する。
地上レベルのカラー画像と局地的な環境を含む衛星パッチが与えられた場合、衛星パッチ内の地上カメラの位置を特定することが課題である。
我々は、より高密度な衛星記述子、ボトルネックにおける類似性マッチング、およびマルチモーダルなローカライゼーションの曖昧さを捉えるための出力としての密度空間分布を備えた新しいネットワークアーキテクチャを考案した。
論文 参考訳（メタデータ） (2022-08-17T20:12:23Z) - Towards Robust Monocular Visual Odometry for Flying Robots on Planetary
Missions [49.79068659889639]
火星に着陸したばかりのIngenuityは、トラバーサビリティの影響を受けない新時代の探検の始まりとなるでしょう。
高速な光フロートラッキングを用いた高能率単分子オードメトリーアルゴリズムを提案する。
また、相対翻訳情報行列の主成分分析に基づいて、スケールドリフトの現在のリスクを推定する新しい手法を提案する。
論文 参考訳（メタデータ） (2021-09-12T12:52:20Z) - Robotic Inspection and 3D GPR-based Reconstruction for Underground
Utilities [11.601407791322327]
地中貫入レーダ (GPR) は、地中物体を検査・調査するための有効な非破壊評価(NDE)装置である。
GPRデータ収集の現在のプラクティスは、事前にマークされたグリッド線に沿ってGPRカートを動かすために、人間のインスペクタを必要とする。
本稿では,GPRデータの収集,GPRデータの解釈,地下ユーティリティのローカライズ,地下オブジェクトの高密度点雲モデルの再構築と可視化を行う新しいロボットシステムを提案する。
論文 参考訳（メタデータ） (2021-06-03T14:58:49Z) - Rover Relocalization for Mars Sample Return by Virtual Template
Synthesis and Matching [48.0956967976633]
我々は、概念火星サンプルリターンキャンペーンの文脈におけるローバー再局在化の問題を検討する。
このキャンペーンでは、ローバー(R1)は、約50 x 50 mの領域内を自律的にナビゲートおよびローカライズできる必要があります。
本研究では,相対的に不規則な地形に対してロバスト性を示す視覚ローカライザーを提案する。
論文 参考訳（メタデータ） (2021-03-05T00:18:33Z)
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。