Clustering-based Learning for UAV Tracking and Pose Estimation

要約

UAV の追跡と姿勢推定は、編隊制御や対 UAV 対策など、さまざまな UAV 関連のミッションにおいて重要な役割を果たします。
3D 空間で UAV を正確に検出および追跡することは、特に機敏な飛行中に、さまざまな飛行環境からマイクロ UAV のまばらな特徴を抽出し、対応関係を継続的に照合する必要があるため、依然として特に困難な問題です。
一般に、カメラと LiDAR は、飛行中の UAV 軌道を捕捉するために使用される 2 つの主なタイプのセンサーです。
ただし、両方のセンサーには UAV の分類と姿勢推定に制限があります。
この技術レポートでは、CVPR 2024 UG2+ Challenge Track 5 のために私たちのチーム「NTU-ICG」によって提案された手法を簡単に紹介します。この研究では、2 種類の
LiDAR、つまり Livox Avia と LiDAR 360。2 つのデータ ソースからの情報を組み合わせて、3D でドローンの位置を特定します。
まず、Livox Avia データと LiDAR 360 データのタイムスタンプを調整し、次に対象オブジェクト (OOI) の点群を環境から分離します。
OOI の点群は DBSCAN メソッドを使用してクラスタリングされ、最大のクラスタの中点が UAV 位置であると想定されます。
さらに、過去の推定値を利用して欠落データを補います。
提案された手法は、競争力のある姿勢推定パフォーマンスを示し、CVPR 2024 UG2+ Challenge の最終リーダーボードで 5 位にランクされています。

要約(オリジナル)

UAV tracking and pose estimation plays an imperative role in various UAV-related missions, such as formation control and anti-UAV measures. Accurately detecting and tracking UAVs in a 3D space remains a particularly challenging problem, as it requires extracting sparse features of micro UAVs from different flight environments and continuously matching correspondences, especially during agile flight. Generally, cameras and LiDARs are the two main types of sensors used to capture UAV trajectories in flight. However, both sensors have limitations in UAV classification and pose estimation. This technical report briefly introduces the method proposed by our team ‘NTU-ICG’ for the CVPR 2024 UG2+ Challenge Track 5. This work develops a clustering-based learning detection approach, CL-Det, for UAV tracking and pose estimation using two types of LiDARs, namely Livox Avia and LiDAR 360. We combine the information from the two data sources to locate drones in 3D. We first align the timestamps of Livox Avia data and LiDAR 360 data and then separate the point cloud of objects of interest (OOIs) from the environment. The point cloud of OOIs is clustered using the DBSCAN method, with the midpoint of the largest cluster assumed to be the UAV position. Furthermore, we utilize historical estimations to fill in missing data. The proposed method shows competitive pose estimation performance and ranks 5th on the final leaderboard of the CVPR 2024 UG2+ Challenge.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google