AirTrack: Onboard Deep Learning Framework for Long-Range Aircraft Detection and Tracking

要約

無人航空機システム (UAS) の安全な運用には、探知回避 (DAA) 機能が不可欠です。
このホワイト ペーパーでは、sUAS システムのサイズ、重量、電力 (SWaP) の制約を考慮した、リアルタイムの視覚専用の検出および追跡フレームワークである AirTrack について説明します。
遠く離れた航空機の信号対雑音比 (SNR) が低いことを考慮して、連続する画像を整列させて自我の動きを除去するディープ ラーニング フレームワークでフル解像度の画像を使用することを提案します。
整列された画像は、カスケードされた一次および二次分類子で下流で使用され、複数のメトリックでの検出と追跡のパフォーマンスが向上します。
AirTrack は、Amazon Airborne Object Tracking (AOT) データセットの最先端のベースラインよりも優れていることを示しています。
セスナ 172 が一般航空交通と相互作用する複数の実世界での飛行試験と、制御された設定で UAS に向かって飛行するベル ヘリコプターを使用した追加の衝突に近い飛行試験は、提案されたアプローチが新しく導入された DAA の ASTM F3442/F3442M 規格を満たしていることを示しています。
経験的評価によると、当社のシステムは 700m の範囲まで 95% 以上の追跡確率を持っています。
ビデオは https://youtu.be/H3lL_Wjxjpw で入手できます。

要約(オリジナル)

Detect-and-Avoid (DAA) capabilities are critical for safe operations of unmanned aircraft systems (UAS). This paper introduces, AirTrack, a real-time vision-only detect and tracking framework that respects the size, weight, and power (SWaP) constraints of sUAS systems. Given the low Signal-to-Noise ratios (SNR) of far away aircraft, we propose using full resolution images in a deep learning framework that aligns successive images to remove ego-motion. The aligned images are then used downstream in cascaded primary and secondary classifiers to improve detection and tracking performance on multiple metrics. We show that AirTrack outperforms state-of-the art baselines on the Amazon Airborne Object Tracking (AOT) Dataset. Multiple real world flight tests with a Cessna 172 interacting with general aviation traffic and additional near-collision flight tests with a Bell helicopter flying towards a UAS in a controlled setting showcase that the proposed approach satisfies the newly introduced ASTM F3442/F3442M standard for DAA. Empirical evaluations show that our system has a probability of track of more than 95% up to a range of 700m. Video available at https://youtu.be/H3lL_Wjxjpw .

arxiv情報

著者 Sourish Ghosh,Jay Patrikar,Brady Moon,Milad Moghassem Hamidi,and Sebastian Scherer
発行日 2022-09-26 16:58:00+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.CV, cs.LG, cs.RO パーマリンク