論文の概要: Geofenced Unmanned Aerial Robotic Defender for Deer Detection and Deterrence (GUARD)
- arxiv url: http://arxiv.org/abs/2505.10770v1
- Date: Fri, 16 May 2025 00:59:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-19 14:36:13.780897
- Title: Geofenced Unmanned Aerial Robotic Defender for Deer Detection and Deterrence (GUARD)
- Title（参考訳）: 鹿検出・抑止のためのジオフェンス無人空中ロボットデフェンダー(GUARD)
- Authors: Ebasa Temesgen, Mario Jerez, Greta Brown, Graham Wilson, Sree Ganesh Lalitaditya Divakarla, Sarah Boelter, Oscar Nelson, Robert McPherson, Maria Gini,
- Abstract要約: 野生生物による作物の被害は、特に鹿によるものであり、農業の生産性を脅かす。
伝統的な抑止方法は、様々な農地環境へのスケーラビリティ、応答性、適応性に欠けることが多い。
本稿では,自律型野生生物保護のために設計された無人航空機(UAV)システムについて述べる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Wildlife-induced crop damage, particularly from deer, threatens agricultural productivity. Traditional deterrence methods often fall short in scalability, responsiveness, and adaptability to diverse farmland environments. This paper presents an integrated unmanned aerial vehicle (UAV) system designed for autonomous wildlife deterrence, developed as part of the Farm Robotics Challenge. Our system combines a YOLO-based real-time computer vision module for deer detection, an energy-efficient coverage path planning algorithm for efficient field monitoring, and an autonomous charging station for continuous operation of the UAV. In collaboration with a local Minnesota farmer, the system is tailored to address practical constraints such as terrain, infrastructure limitations, and animal behavior. The solution is evaluated through a combination of simulation and field testing, demonstrating robust detection accuracy, efficient coverage, and extended operational time. The results highlight the feasibility and effectiveness of drone-based wildlife deterrence in precision agriculture, offering a scalable framework for future deployment and extension.
- Abstract（参考訳）: 野生生物による作物の被害は、特に鹿によるものであり、農業の生産性を脅かす。
伝統的な抑止方法は、様々な農地環境へのスケーラビリティ、応答性、適応性に欠けることが多い。
本稿では,Farm Robotics Challengeの一環として開発された無人無人航空機(UAV)システムについて述べる。
本システムでは,シカ検出のためのYOLOベースのリアルタイムコンピュータビジョンモジュール,効率的なフィールド監視のためのエネルギー効率の高いカバレッジパス計画アルゴリズム,UAVの連続動作のための自律充電ステーションを組み合わせる。
地元のミネソタ州農夫と共同で、地形、インフラの制限、動物行動といった実用的な制約に対処するように調整されている。
このソリューションは、シミュレーションとフィールドテストの組み合わせによって評価され、堅牢な検出精度、効率的なカバレッジ、拡張された運用時間を示す。
この結果は、ドローンによる精密農業における野生生物駆除の可能性と有効性を強調し、将来の展開と拡張のためのスケーラブルなフレームワークを提供する。
関連論文リスト
- More Clear, More Flexible, More Precise: A Comprehensive Oriented Object Detection benchmark for UAV [58.89234732689013]
CODroneは、現実の状況を正確に反映した、UAVのための包括的なオブジェクト指向オブジェクト検出データセットである。
また、下流のタスク要求に合わせて設計された新しいベンチマークとしても機能する。
我々は、CODroneを厳格に評価するために、22の古典的またはSOTA法に基づく一連の実験を行う。
論文 参考訳（メタデータ） (2025-04-28T17:56:02Z) - Task Delay and Energy Consumption Minimization for Low-altitude MEC via Evolutionary Multi-objective Deep Reinforcement Learning [52.64813150003228]
無人航空機や他の航空機による低高度経済(LAE)は、輸送、農業、環境監視といった分野に革命をもたらした。
今後の6世代(6G)時代において、UAV支援移動エッジコンピューティング(MEC)は特に山岳や災害に遭った地域のような困難な環境において重要である。
タスクオフロード問題は、主にタスク遅延の最小化とUAVのエネルギー消費のトレードオフに対処するUAV支援MECの重要な問題の一つである。
論文 参考訳（メタデータ） (2025-01-11T02:32:42Z) - A Cross-Scene Benchmark for Open-World Drone Active Tracking [54.235808061746525]
Drone Visual Active Trackingは、視覚的な観察に基づいてモーションシステムを制御することで、対象物を自律的に追跡することを目的としている。
DATと呼ばれるオープンワールドドローンアクティブトラッキングのためのクロスシーンクロスドメインベンチマークを提案する。
また、R-VATと呼ばれる強化学習に基づくドローン追跡手法を提案する。
論文 参考訳（メタデータ） (2024-12-01T09:37:46Z) - Drone Stereo Vision for Radiata Pine Branch Detection and Distance Measurement: Integrating SGBM and Segmentation Models [4.730379319834545]
本研究では,専用プルーニングツールとステレオビジョンカメラを備えたドローン式プルーニングシステムの開発を提案する。
YOLOやMask R-CNNを含むディープラーニングアルゴリズムは、正確な分岐検出を保証するために使用される。
これらの技術間の相乗効果により、分岐位置の正確な同定が容易になり、効率的で標的とした刈り取りが可能となる。
論文 参考訳（メタデータ） (2024-09-26T04:27:44Z) - Scarecrow monitoring system:employing mobilenet ssd for enhanced animal supervision [0.0]
このプロジェクトは高度な物体検出を採用し、リアルタイムの動物分類にMobile Net SSDモデルを利用している。
リアルタイム検出はWebカメラとOpenCVライブラリを通じて実現され、接近する動物の迅速な識別と分類を可能にする。
論文 参考訳（メタデータ） (2024-07-01T16:26:57Z) - Q-Learning based system for path planning with unmanned aerial vehicles
swarms in obstacle environments [38.82157836789187]
Q-Learning を利用した強化学習システムを提案する。
これらのパスの目標は、フィールド探索のようなタスクのための固定された障害のある領域の完全なカバレッジを保証することである。
結果は十分であり、システムはより少ない動きの解を得ることができる。
論文 参考訳（メタデータ） (2023-03-30T18:37:34Z) - Multi-UAV Planning for Cooperative Wildfire Coverage and Tracking with
Quality-of-Service Guarantees [7.936688444492405]
本研究では,複数UAVチームにおける協調的なフィールドカバレッジと火災追跡を実現するための予測フレームワークを提案する。
我々は、UAVチームが限られた資源を分配し、消防エリア全体をカバーできるように、新しい、分析的時間的、および追跡エラー境界を導出する。
本研究の結果は, 空域火災監視のケーススタディに限らず, 捜索・救助, 目標追跡, 国境パトロールなどの問題に適用可能である。
論文 参考訳（メタデータ） (2022-06-21T17:20:54Z) - 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) - Efficient UAV Trajectory-Planning using Economic Reinforcement Learning [65.91405908268662]
UAV間でタスクを分散するための経済取引に触発された新しい強化学習アルゴリズムであるREPlannerを紹介します。
エージェントが協力し、リソースを競うことができるマルチエージェント経済ゲームとして、パス計画問題を策定します。
UAV協力によるタスク分布の計算を行うため、Swarmサイズの変化に対して非常に耐性が高い。
論文 参考訳（メタデータ） (2021-03-03T20:54:19Z) - 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)
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。