Risk Assessment for Autonomous Landing in Urban Environments using Semantic Segmentation

要約

この論文では、セマンティック セグメンテーションとリスク評価にディープ ニューラル ネットワークを使用して、複雑な都市環境における視覚ベースの自律着陸問題に取り組みます。
私たちは、複雑で構造化されていない都市環境のセマンティック セグメンテーションに、最先端のビジュアル トランスフォーマー ネットワークである SegFormer を採用することを提案します。
このアプローチにより、スマート自律着陸ミッション、特にシステム障害や人為的エラーによる緊急着陸シナリオで利用できる貴重な情報が得られます。
評価はリアルタイム飛行中に行われ、無人航空機 (UAV) の RGB カメラの画像が SegFormer を使用して都市環境で見られる最も一般的なクラスに分割されます。
これらのクラスは、一般的に、潜在的な物的損害、ドローン自体の損傷、人々への危険を考慮して、リスクのレベルにマッピングされます。
提案された戦略は、いくつかのケーススタディを通じて検証され、自律的な緊急着陸のための最も安全な着陸エリアを決定するためのセマンティックセグメンテーションベースの戦略の大きな可能性を実証しています。これは、都市部での民間用途でUAVの可能性を最大限に引き出すのに役立つと私たちは信じています。

要約(オリジナル)

In this paper, we address the vision-based autonomous landing problem in complex urban environments using deep neural networks for semantic segmentation and risk assessment. We propose employing the SegFormer, a state-of-the-art visual transformer network, for the semantic segmentation of complex, unstructured urban environments. This approach yields valuable information that can be utilized in smart autonomous landing missions, particularly in emergency landing scenarios resulting from system failures or human errors. The assessment is done in real-time flight, when images of an RGB camera at the Unmanned Aerial Vehicle (UAV) are segmented with the SegFormer into the most common classes found in urban environments. These classes are then mapped into a level of risk, considering in general, potential material damage, damaging the drone itself and endanger people. The proposed strategy is validated through several case studies, demonstrating the huge potential of semantic segmentation-based strategies to determining the safest landing areas for autonomous emergency landing, which we believe will help unleash the full potential of UAVs on civil applications within urban areas.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google