Waypoint Generation in Row-based Crops with Deep Learning and Contrastive Clustering

要約

精密農業の発展により、農業プロセスに自動化が徐々に導入され、圃場管理に関連するすべての活動をサポートおよび合理化しています。
特に、サービスロボティクスは、監視、噴霧、収穫などの人間の介入を必要とせずにさまざまなタスクを実行しながら、フィールド内を移動できる自律エージェントを展開することにより、この進化において主要な役割を果たします。
このコンテキストでは、グローバルパスプランニングは、すべてのロボットミッションに必要な最初のステップであり、ナビゲーションが効率的かつ完全なフィールドカバレッジで実行されることを保証します。
この論文では、関心領域のトップビューマップから始めて、行ベースの作物のナビゲーションパスを計画するためのウェイポイント生成に取り組むための学習ベースのアプローチを提案します。
対照的な損失に基づくウェイポイントクラスタリングの新しい方法論を提示し、ポイントを分離可能な潜在空間に投影することができます。
提案されたディープニューラルネットワークは、1回のフォワードパスで2つの特殊なヘッドを使用してウェイポイントの位置とクラスターの割り当てを同時に予測できます。
シミュレートされた画像と実世界の画像に関する広範な実験は、提案されたアプローチが、直線および曲線の列ベースの作物の両方のウェイポイント生成問題を効果的に解決し、以前の最先端の方法論の制限を克服することを示しています。

要約(オリジナル)

The development of precision agriculture has gradually introduced automation in the agricultural process to support and rationalize all the activities related to field management. In particular, service robotics plays a predominant role in this evolution by deploying autonomous agents able to navigate in fields while executing different tasks without the need for human intervention, such as monitoring, spraying and harvesting. In this context, global path planning is the first necessary step for every robotic mission and ensures that the navigation is performed efficiently and with complete field coverage. In this paper, we propose a learning-based approach to tackle waypoint generation for planning a navigation path for row-based crops, starting from a top-view map of the region-of-interest. We present a novel methodology for waypoint clustering based on a contrastive loss, able to project the points to a separable latent space. The proposed deep neural network can simultaneously predict the waypoint position and cluster assignment with two specialized heads in a single forward pass. The extensive experimentation on simulated and real-world images demonstrates that the proposed approach effectively solves the waypoint generation problem for both straight and curved row-based crops, overcoming the limitations of previous state-of-the-art methodologies.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google