Runway vs. Taxiway: Challenges in Automated Line Identification and Notation Approaches

要約

自律システムの複雑さの増加により、運用上の安全性を確保するために、滑走路と誘導路マーキングの正確で信頼できるラベル付けの必要性が増幅されています。
これらのマーキングの正確な検出とラベル付けは、ナビゲーション、着陸支援、地上制御の自動化などのタスクにとって重要です。
自動ラインの識別と表記アルゴリズム（Alina）などの既存のラベリングアルゴリズムは、誘導路マーキングの識別に成功しましたが、滑走路マーキングに適用されると大きな課題に遭遇します。
この制限は、線の特性、環境のコンテキスト、および影、タイヤマーク、さまざまな表面条件などの要素からの干渉の顕著な違いにより発生します。
これらの課題に対処するために、滑走路固有のコンテキストに合わせて、色のしきい値を調整し、関心のある領域（ROI）選択を調整することでアリナを変更しました。
これらの変更により改善が限られていましたが、アルゴリズムは依然として一貫した滑走路識別に苦労していました。多くの場合、地平線や非関連性のある背景機能などの誤解要素を誤ってラベル付けしています。
これは、多様な視覚的干渉に適応できるより堅牢なソリューションの必要性を強調しました。
この論文では、AssistNetという名前の畳み込みニューラルネットワーク（CNN）を使用して分類ステップを統合することを提案します。
この分類ステップを組み込むことにより、検出パイプラインは環境のバリエーションと誤分類により回復力が高くなります。
この作業は、課題を特定するだけでなく、ソリューションの概要も概説し、自律航空システムに不可欠な自動化されたラベル付け技術を改善する方法を開いています。

要約(オリジナル)

The increasing complexity of autonomous systems has amplified the need for accurate and reliable labeling of runway and taxiway markings to ensure operational safety. Precise detection and labeling of these markings are critical for tasks such as navigation, landing assistance, and ground control automation. Existing labeling algorithms, like the Automated Line Identification and Notation Algorithm (ALINA), have demonstrated success in identifying taxiway markings but encounter significant challenges when applied to runway markings. This limitation arises due to notable differences in line characteristics, environmental context, and interference from elements such as shadows, tire marks, and varying surface conditions. To address these challenges, we modified ALINA by adjusting color thresholds and refining region of interest (ROI) selection to better suit runway-specific contexts. While these modifications yielded limited improvements, the algorithm still struggled with consistent runway identification, often mislabeling elements such as the horizon or non-relevant background features. This highlighted the need for a more robust solution capable of adapting to diverse visual interferences. In this paper, we propose integrating a classification step using a Convolutional Neural Network (CNN) named AssistNet. By incorporating this classification step, the detection pipeline becomes more resilient to environmental variations and misclassifications. This work not only identifies the challenges but also outlines solutions, paving the way for improved automated labeling techniques essential for autonomous aviation systems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google