Visual Heading Estimation for UAVs in Indoor Environments
Notice bibliographique
Résumé
Recently, The UAV (Unmanned Aerial Vehicle) industry is getting a lot of attention, especially for very small drones that could fly indoors. Such a small drone can help perform rescue tasks such as investigating gas leaks or emergency situation that imposes risk on human intervention. Additionally, the UAVs can be utilized for indoor inspection and 3D mapping. The indoor environment is very challenging for the UAVs since the Global Navigation Satellite System (GNSS) cannot be reliably accessed to help UAV to locate itself. Various sensors could be mounted on UAVs to help the surveillance and navigation aspects of the operation. Range sensors such as 2D Lasers and LIDAR are very useful for providing valuable measurements towards reliable localization algorithms. Including such sensors will typically raise the system cost and limit the flight time due to increased power consumption. This research aims to assess the potential of using the typically installed UAV main camera to help estimate the UAV heading. The typical indoor environment includes many challenging situations such as monochrome surfaces and identical repeated patterns, especially in the ground surface. The research investigates the performance of different heading estimation approaches using a minimum cost configuration (without laser scanners). The proposed integration between the drone forward camera and the downward camera enhanced the navigation result compared to the other individual solutions using the downward camera only, forward camera only, or magnetometer. The performance of the investigated approaches in a real indoor flight is presented and discussed.
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 ».