論文の概要: Bayesian Data Augmentation for DNN Retraining with Binomial Outcomes in Vision-Based UAV Landing

• arxiv url: http://arxiv.org/abs/2610.05674v1
• Date: Mon, 05 Oct 2026 01:38:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 12:09:08.946011
• Title: Bayesian Data Augmentation for DNN Retraining with Binomial Outcomes in Vision-Based UAV Landing
• Title（参考訳）: ビジョンベースUAVランディングにおける二項出力によるDNNリトレーニングのためのベイズデータ強化
• Abstract要約: 現実世界の着陸地点は、しばしば非構造的で高度に変動している。 合成データ拡張でトレーニングされたディープニューラルネットワーク(DNN)は、着陸地点の機能を学ぶためのスケーラブルなソリューションを提供する。 高忠実度車両動特性を特徴とするフォトリアリスティックシミュレータと統合したベイズデータ拡張フレームワークをデプロイする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In GPS-denied or cluttered urban environments, vision-based landing is essential for reliable UAV missions. Real-world landing sites are often unstructured and highly variable, requiring strong generalization by the perception system. Deep Neural Networks (DNNs) trained with synthetic data augmentation offer a scalable solution for learning landing-site features across diverse vehicle and environmental states. However, computationally expensive DNN retraining, along with challenging performance validation via test flights, limits exhaustive model fine-tuning and necessitates an optimized retraining pipeline. In this work, we deploy a Bayesian data augmentation framework integrated with a photorealistic simulator featuring high-fidelity vehicle dynamics to iteratively retrain the helipad detector DNN, maximizing landing performance as the objective function. We validate our framework with experiments in a photorealistic simulator under different environmental conditions and vehicle states, demonstrating improved landing performance and tighter confidence intervals on predicted landing outcomes.
• Abstract（参考訳）: GPSや乱雑な都市環境では、信頼性の高いUAVミッションには視覚ベースの着陸が不可欠である。 現実世界の着陸地点は、しばしば非構造的で高度に変動しており、知覚システムによる強力な一般化が必要である。 合成データ拡張でトレーニングされたDeep Neural Networks(DNN)は、多様な車両や環境状態にわたる着陸地点の特徴を学習するためのスケーラブルなソリューションを提供する。 しかし、計算コストのかかるDNN再訓練は、テスト飛行による性能検証の難しさとともに、徹底的なモデルの微調整を制限し、最適化された再訓練パイプラインを必要とする。 本研究では,高忠実度車載シミュレータと統合したベイズ型データ拡張フレームワークをデプロイし,ヘリパード検出器DNNを反復的に再学習し,着地性能を目標関数として最大化する。 本研究では, 環境条件や車両状態の異なる光実写シミュレータを用いて実験を行い, 着地性能の向上と着地予測結果に対する信頼性区間の厳密化を実証した。

関連論文リスト

• DESCENT: Directed Edge Scene Encoding for Airport Surface Movement Prediction [54.94692733670454]
  DESCENTは変圧器ベースのアーキテクチャで、不均一な力学と厳密なトポロジ的制約を扱うように設計されている。 本手法は,飛行場環境コンテキストを適応的に収集する,潜在的到達性セット(PRS)コンテキストサンプリング機構を備えている。 Amelia-10ベンチマークによる評価では,最先端のベースラインよりも大幅な性能向上が見られた。
  論文  参考訳（メタデータ） (2026-08-26T16:49:50Z)
• GASE: Gaussian Splatting-Based Automated System for Reconstructing Embodied-Simulation Environments [63.222920701596564]
  実世界での実施エージェントの訓練には熟練したオペレーターと高価なハードウェアが必要である。 シミュレーション環境は、大規模で費用対効果の高いデータ拡張を可能にすることで、魅力的な代替手段を提供する。 シミュレーションシーンを最小限のsim-to-realギャップで高速に構築することは、ロボット学習において重要な目標となっている。
  論文  参考訳（メタデータ） (2026-06-16T05:00:42Z)
• Synthetic-to-Real Pipeline for Safe Landing Zone Detection [0.0]
  この研究は、自律着陸タスクのシム・トゥ・リアルギャップを橋渡しするために設計された包括的知覚とデータ生成パイプラインを提案する。 本稿では,ドメインランダム化による自動意味アノテーションによる都市環境生成のための手続き型合成データエンジンを提案する。 決定論的着陸モジュールは、Euclidean Distance Transform (EDT) と動的推論ロジックを使用して、最も大きな入力された安全な着陸ゾーンを特定する。
  論文  参考訳（メタデータ） (2026-06-09T01:32:07Z)
• Bayesian Data Augmentation and Training for Perception DNN in Autonomous Aerial Vehicles [6.8604243479758376]
  本研究は,航空機の知覚訓練のためのデータ拡張フレームワークを提案する。 VTOL型UAVの着地性能を評価し,貴重なデータを収集する。 このモデルは、異なる照明と気象条件下で、認識に基づく着陸の成功率を少なくとも20%改善した。
  論文  参考訳（メタデータ） (2024-12-10T16:41:19Z)
• Extrapolated Urban View Synthesis Benchmark [53.657271730352214]
  光シミュレーターは視覚中心型自動運転車(AV)の訓練と評価に不可欠である 中心となるのはノベルビュー合成(英語版)(NVS)であり、これはAVの広範かつ連続的なポーズ分布に対応するために、様々な目に見えない視点を生成する能力である。 近年の3次元ガウス・スプラッティングのような放射場の発展は、リアルタイムなリアルタイムレンダリングを実現し、大規模ドライビングシーンのモデリングに広く利用されている。 自動運転車と都市ロボットシミュレーション技術の進歩を支援するために、データを公開します。
  論文  参考訳（メタデータ） (2024-12-06T18:41:39Z)
• Gaussian Splatting to Real World Flight Navigation Transfer with Liquid Networks [93.38375271826202]
  本研究では,シミュレート・トゥ・リアルな視覚四重項ナビゲーションタスクにおける分布シフトに対する一般化とロバスト性を改善する手法を提案する。 まず,擬似飛行力学とガウススプラッティングを統合してシミュレータを構築し,その後,液状ニューラルネットワークを用いてロバストなナビゲーションポリシーを訓練する。 このようにして、我々は3次元ガウススプラッティングラディアンス場レンダリング、専門家による実演訓練データのプログラミング、およびLiquid Networkのタスク理解能力の進歩を組み合わせたフルスタックの模倣学習プロトコルを得る。
  論文  参考訳（メタデータ） (2024-06-21T13:48:37Z)
• Automatic UAV-based Airport Pavement Inspection Using Mixed Real and Virtual Scenarios [3.0874677990361246]
  本稿では,UAVが捉えた画像を用いて,舗装の苦悩を自動的に識別する視覚的アプローチを提案する。 提案手法は,画像の欠陥を分割する深層学習(DL)に基づいている。 合成および実訓練画像からなる混合データセットを使用することで、実アプリケーションシナリオでトレーニングモデルをテストする場合、より良い結果が得られることを示す。
  論文  参考訳（メタデータ） (2024-01-11T16:30:07Z)

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。