MetaCropFollow: Few-Shot Adaptation with Meta-Learning for Under-Canopy Navigation

要約

樹冠下の自律ナビゲーションは、樹冠上の設定と比較して、作物の列間の狭い間隔、GPS 精度の低下、過度の乱雑さなど、さらなる課題に直面しています。
キーポイントベースの視覚ナビゲーションは、これらの条件で良好に機能することが示されていますが、照明、季節、土壌、作物の種類の点で農業環境が異なるため、ロボット導入のどこかの時点でドメインのシフトが発生する可能性が高くなります。
このペーパーでは、最小限のデータを使用してこのドメインの変化を克服するためのメタラーニングの使用を検討します。
私たちは、新しい状況に迅速に適応できる基本学習者をトレーニングし、低データ領域でのより堅牢なナビゲーションを可能にします。

要約(オリジナル)

Autonomous under-canopy navigation faces additional challenges compared to over-canopy settings – for example the tight spacing between the crop rows, degraded GPS accuracy and excessive clutter. Keypoint-based visual navigation has been shown to perform well in these conditions, however the differences between agricultural environments in terms of lighting, season, soil and crop type mean that a domain shift will likely be encountered at some point of the robot deployment. In this paper, we explore the use of Meta-Learning to overcome this domain shift using a minimal amount of data. We train a base-learner that can quickly adapt to new conditions, enabling more robust navigation in low-data regimes.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google