Relative visual localization (RVL) for UAV navigation
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Most of today's UAVs make use of multi-sensor GNSS/INS fusion for localization during navigation. In such a context GNSS systems are used as a compact and cost-effective way to constrain the unbounded error induced by the INS sensors on the localization. Unfortunately, GNSS systems have been proven to be unreliable in multiple contexts. The drawback of such an approach resides in the radio communications necessary to acquire the localization data. Radio communication systems are prone to availability problems in some environments, to signal alteration and to interference. The root cause of the problem resides in the use of global information to solve a local problem. In this work, we propose the use of local visual information to perform relative localization in an unknown outdoor environment. The algorithm uses feature point methods to extract salient points from a set of images pertaining to possible matches during the navigation. The extracted features are matched with available visual data stored during previous navigation or from an aerial view map. Different feature extraction techniques were analyzed, and ORB was the one that gave the best mean absolute error. The estimated distance between the best match and ground-truth localization was within 70 meters on average at an altitude of 150 meters. Experimental tests were conducted on outdoor videos captured using a quadcopter. The obtained results are promising and show the possibility of using relative visual data in GPS/GNSS-denied environments to improve the robustness of UAVs navigation.
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.
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 découle