Drone Virtual Fence Using a Neuromorphic Camera
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
Neuromorphic cameras are well suited to detect the motion of propellers (blades) on Unmanned Aerial Systems (UAS), or drones. In this paper, we introduce the concept of a virtual fence which is a low-cost networked situational awareness device to quickly alert that a drone has entered the zone. Neuromorphic cameras significantly reduce the amount of data that must be processed as opposed to conventional cameras. Processing is required only when events are generated. Those events can be generated by a drone, by another low altitude airborne object (projectiles or birds), or by variations in the background. We propose two complementary algorithms that allow us to differentiate the signature of propeller blades from other events. Those algorithms exploit the periodic nature of propellers’ signal and the presence of sub-harmonics in the detected signal. Those sub-harmonics are introduced in the signal when a camera pixel misses some high-frequency events. We also show how to adjust the optics of the camera so as to reduce the contrast of background events, simplifying the categorization task. A prototype of a system consuming, during normal operations, 5.14 W with a battery autonomy of to 27 hours is presented. This prototype can detect drones up to an altitude of 9 m using a DAVIS 346 from IniVation with a field of view of about 70 degrees. Based on the actual improvement in resolution of current and next generation neuromorphic cameras, it is expected that the range of detection will increase and the virtual fence concept could be deployed operationally in the next few years.
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