Obstacle Detection for Low Flying Unmanned Aerial Vehicles Using Stereoscopic Imaging
Notice bibliographique
Résumé
This paper describes a stereoscopic imaging algorithm that is modified for obstacle detection in low flying unmanned aerial vehicles (UAVs). In this type of flight, obstacle detection must be carried out quickly for the system to be effective in real time. Additionally, since the aircraft is close to the ground, the horizon is usually at the top of the field of view and obstacles must be distinguished from the clutter of the terrain. The sparse edge detection and reconstruction algorithm proposed, produces fast but partial reconstructions of the environment. One image is passed through a series of edge detectors to generate a very sparse outline of the environment. This outline is then correlated to the second image and the resulting reconstruction is added to a model of the environment. Although each individual reconstruction is incomplete, the overall result after a short initialization period is a model of the environment that is more comprehensive than a single stereoscopic correlation run with a more detailed edge detector. Simulation of the algorithm on test image patterns showed an increase in performance relative to the length of the sequence of stereo pairs. On average, the signal to noise ratio (SNR) for sparse edge reconstruction was significantly higher than that for single correlation with more detailed edge detectors. Additionally it was found that the processing speed of the sparse edge detection algorithm on a pair of stereoscopic images is faster than the processing carried out by a more detailed edge detector. A test flight was also carried out to test the algorithm in a more realistic scenario. The test confirmed that the sparse edge reconstruction algorithm resulted in a much more detailed view of the environment than if a single, more detailed edge detector had been used.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».