Semantic Landmark Detection & Classification Using Neural Networks For 3D In-Air Sonar

要約

従来のセンシング方式では困難な環境においても、空中ソナーは光干渉に対する回復力を提供します。
これらの環境に先験的に既知のランドマークを配置すると、同時位置特定とマッピング (SLAM) や自律ナビゲーションなどの自律移動システムで蓄積されたエラーを排除できます。
我々は、畳み込みニューラル ネットワークを使用して、空中 3D ソナーを使用して半径が異なる 10 個の異なる反射体ランドマークを検出および分類する新しいアプローチを提案します。
さらに、ネットワークは、検出されたランドマークの方位角度を予測します。
ニューラル ネットワークは、時間周波数領域でセンサーが受信したエコーを表す蝸牛図に基づいてトレーニングされます。
雑然とした屋内環境での実験結果は、有望なパフォーマンスを示しています。
CNN はテスト データセットで 97.3% の分類精度を達成し、ランドマークの有無を正確に検出します。
さらに、このネットワークは 10 度未満の RMSE でランドマークの方位角を予測し、SLAM および自律ナビゲーション アプリケーションでの実用性を高めます。
この進歩により、困難な環境における自律システムの堅牢性と精度が向上します。

要約(オリジナル)

In challenging environments where traditional sensing modalities struggle, in-air sonar offers resilience to optical interference. Placing a priori known landmarks in these environments can eliminate accumulated errors in autonomous mobile systems such as Simultaneous Localization and Mapping (SLAM) and autonomous navigation. We present a novel approach using a convolutional neural network to detect and classify ten different reflector landmarks with varying radii using in-air 3D sonar. Additionally, the network predicts the orientation angle of the detected landmarks. The neural network is trained on cochleograms, representing echoes received by the sensor in a time-frequency domain. Experimental results in cluttered indoor settings show promising performance. The CNN achieves a 97.3% classification accuracy on the test dataset, accurately detecting both the presence and absence of landmarks. Moreover, the network predicts landmark orientation angles with an RMSE lower than 10 degrees, enhancing the utility in SLAM and autonomous navigation applications. This advancement improves the robustness and accuracy of autonomous systems in challenging environments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google