Planning and Perception for Unmanned Aerial Vehicles in Object and Environmental Monitoring

要約

高解像度センサーを搭載した無人航空機（UAV）は、これまでアクセスできなかったエリアから驚くべき時空間スケールで広範なデータ収集を可能にし、精密農業やインフラ検査などの分野に革命を起こすことが期待されています。
その可能性を最大限に活用するには、計画と認識のための自律アルゴリズムを開発することが重要です。
この論文は、監視アプリケーションで使用される UAV に合わせた計画および認識アルゴリズムの開発に焦点を当てています。
最初の部分では、オブジェクトの監視とそれに関連する計画の課題について説明します。
オブジェクト監視には、特定のオブジェクトの継続的な観察、追跡、分析が含まれます。
私たちは、未知の環境にあるオブジェクトの視覚範囲を効率的に最大化することを目標とする視覚再構成の問題に取り組みます。
形状予測ディープラーニングモデルを活用して、迅速な情報収集のために計画を最適化します。
これをマルチ UAV システムに拡張し、再構成された 3D モデルに基づいてオブジェクトの周囲に効率的なパスを作成します。これは、変化の検出を目的とした近接検査に不可欠です。
次に、インフラストラクチャの検査に焦点を当てて、オブジェクトが変更された場合、または事前情報が利用できない場合の検査シナリオを検討します。
当社は、実際の実験と忠実度の高いシミュレーションを通じて計画アルゴリズムを検証し、欠陥検出をプロセスにシームレスに統合します。
2 番目の部分では、オブジェクト固有の監視とは別に、環境全体の監視に焦点を移します。
ここでの目標は、時空間変化を理解するためにカバレッジを最大化することです。
私たちは、栄養生長の推定などのゆっくりと変化する環境や山火事の管理などの急速に変化する環境を調査します。
山火事については、早期発見を強化するために LSTM ネットワークを利用して、火災の早期検証と位置特定を行うための有益な経路計画を採用しています。

要約(オリジナル)

Unmanned Aerial Vehicles (UAVs) equipped with high-resolution sensors enable extensive data collection from previously inaccessible areas at a remarkable spatio-temporal scale, promising to revolutionize fields such as precision agriculture and infrastructure inspection. To fully exploit their potential, developing autonomy algorithms for planning and perception is crucial. This dissertation focuses on developing planning and perception algorithms tailored to UAVs used in monitoring applications. In the first part, we address object monitoring and its associated planning challenges. Object monitoring involves continuous observation, tracking, and analysis of specific objects. We tackle the problem of visual reconstruction where the goal is to maximize visual coverage of an object in an unknown environment efficiently. Leveraging shape prediction deep learning models, we optimize planning for quick information gathering. Extending this to multi-UAV systems, we create efficient paths around objects based on reconstructed 3D models, crucial for close-up inspections aimed at detecting changes. Next, we explore inspection scenarios where an object has changed or no prior information is available, focusing on infrastructure inspection. We validate our planning algorithms through real-world experiments and high-fidelity simulations, integrating defect detection seamlessly into the process. In the second part, we shift focus to monitoring entire environments, distinct from object-specific monitoring. Here, the goal is to maximize coverage to understand spatio-temporal changes. We investigate slow-changing environments like vegetative growth estimation and fast-changing environments such as wildfire management. For wildfires, we employ informative path planning to validate and localize fires early, utilizing LSTM networks for enhanced early detection.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google