ASSESSMENTS OF NONLINEAR LEAST SQUARES METHODS FOR UAV VISION BASED NAVIGATION
Notice bibliographique
Résumé
In recent years, the UAV’s are increasingly becoming main part of both military and commercial operations, where accurate pose estimation is considered as a critical problem to be investigated. UAV pose estimation problem can be investigated through vision based navigation (VBN) approach where visual sensors are augmented with the traditional IMU unit. VBN is based on localizing set of features (with known coordinates) on the ground and find their matches in the image taken by an imaging sensor on the UAV. Then, through Collinearity equation, object space transformation parameters are estimated such that these matches are transformed into position information. Two major problems in VBN are addressed. The first one is when general tilted aerial platform is used which leads to general photograph without the near vertical assumption. The limitations in traditional least square approach for solving the collinearity equation to deal with this situation have been presented and the solution to this problem is introduced using five different non-linear least squares methods. These methods are Trust region, Trust region dogleg algorithm, Levenberg-Marquardt, Nelder-Mead simplex direct search, and Quasi-Newton line search method. The second one is number of matches necessary for solving the collinearity equation which is highly required to be minimal as possible to save the cost needed for pre surveyed landmarks before the mission. This problem is addressed using the proposed nonlinear least squares methods mentioned above. Assessment of these methods in employing the SURF 64 and SURF 128 algorithm for image matching is investigated.
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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».