Continual Learning for Robust Gate Detection under Dynamic Lighting in Autonomous Drone Racing

要約

自律移動ロボット工学における主な課題は、特に自律ドローンレースの文脈で例示されるように、未知の動的な要素を特徴とする状況において、回復力のあるリアルタイムの環境認識です。
この研究では、ドローンの高速飛行中によく見られる、照明の変化下でドローンのレーシングゲートを検出するための認識技術を紹介します。
提案された手法は、継続的な学習機能が強化された軽量のニューラル ネットワーク バックボーンに依存しています。
想定されているアプローチでは、ゲートの位置座標、距離、方向の予測を統合し、それらをまとまりのあるポーズ タプルにカプセル化します。
包括的な数のテストにより、多様で困難なシナリオ、特に変動する照明条件に対処する際のこのアプローチの有効性が強調されています。
提案された方法論は、照明の変動に直面しても顕著な堅牢性を示し、それによってその有効性が実証されます。

要約(オリジナル)

In autonomous and mobile robotics, a principal challenge is resilient real-time environmental perception, particularly in situations characterized by unknown and dynamic elements, as exemplified in the context of autonomous drone racing. This study introduces a perception technique for detecting drone racing gates under illumination variations, which is common during high-speed drone flights. The proposed technique relies upon a lightweight neural network backbone augmented with capabilities for continual learning. The envisaged approach amalgamates predictions of the gates’ positional coordinates, distance, and orientation, encapsulating them into a cohesive pose tuple. A comprehensive number of tests serve to underscore the efficacy of this approach in confronting diverse and challenging scenarios, specifically those involving variable lighting conditions. The proposed methodology exhibits notable robustness in the face of illumination variations, thereby substantiating its effectiveness.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google