An Efficient Ground-aerial Transportation System for Pest Control Enabled by AI-based Autonomous Nano-UAVs

要約

効率的な作物生産には、害虫の発生とタイムリーな治療の早期発見が必要です。
私たちは、害虫と検出されたアウトブレイクを訪れて治療を提供する害虫と単一の遅い重車両を視覚的に検出するために、複数の自律型小型の無人航空機（ナノUAV）の艦隊に基づくソリューションを検討します。
ナノUAVの極端な制限に対処するために、たとえば低解像度センサーやサブ100 MWの計算電力予算、害虫検出用の小さな画像ベースの畳み込みニューラルネットワーク（CNN）を設計、微調整、最適化します。
CNNのサイズが小さい（つまり、0.58 GOPS/推論）にもかかわらず、データセットでは、有害なバグの検出で0.79の平均平均精度（MAP）を獲得します。
文献でCNNを実行します。
CNNは6.8フレーム/sでリアルタイムで実行され、Crazyflie Nano-Uavに乗っているGWT Gap9システムオンチップで33 MWが必要です。
次に、フィールド内の予期しない障害に対処するために、A*アルゴリズムに基づいてグローバル+ローカルパスプランナーを活用します。
グローバルパスプランナーは、Nano-UAVがエリア全体をスイープするための最適なルートを決定しますが、ローカルはナノUAVに乗って最大50 Hzを実行し、短距離パスを調整することで衝突を防ぎます。
最後に、25のナノUAV艦隊が200×200 mブドウ園を組み合わせた後、収集された情報を使用してトラクターに最適なパスを計画し、すべての必要なホットスポットを訪問するために収集された情報を使用できることを示すシミュレーター内実験で実証します。
このシナリオでは、検査と治療の両方を実行している従来の単層車両と比較して、効率的な輸送システムは、最大20時間の労働時間を節約できます。

要約(オリジナル)

Efficient crop production requires early detection of pest outbreaks and timely treatments; we consider a solution based on a fleet of multiple autonomous miniaturized unmanned aerial vehicles (nano-UAVs) to visually detect pests and a single slower heavy vehicle that visits the detected outbreaks to deliver treatments. To cope with the extreme limitations aboard nano-UAVs, e.g., low-resolution sensors and sub-100 mW computational power budget, we design, fine-tune, and optimize a tiny image-based convolutional neural network (CNN) for pest detection. Despite the small size of our CNN (i.e., 0.58 GOps/inference), on our dataset, it scores a mean average precision (mAP) of 0.79 in detecting harmful bugs, i.e., 14% lower mAP but 32x fewer operations than the best-performing CNN in the literature. Our CNN runs in real-time at 6.8 frame/s, requiring 33 mW on a GWT GAP9 System-on-Chip aboard a Crazyflie nano-UAV. Then, to cope with in-field unexpected obstacles, we leverage a global+local path planner based on the A* algorithm. The global path planner determines the best route for the nano-UAV to sweep the entire area, while the local one runs up to 50 Hz aboard our nano-UAV and prevents collision by adjusting the short-distance path. Finally, we demonstrate with in-simulator experiments that once a 25 nano-UAVs fleet has combed a 200×200 m vineyard, collected information can be used to plan the best path for the tractor, visiting all and only required hotspots. In this scenario, our efficient transportation system, compared to a traditional single-ground vehicle performing both inspection and treatment, can save up to 20 h working time.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google