Landing Zone Identification Using A Hardware-accelerated Deep Learning Module
Notice bibliographique
Résumé
This work develops a deep learning-based autonomous Landing Zone (LZ) identification module for a Vertical Take- Off and Landing (VTOL) drone using colored Light Detection and Ranging (LiDAR) point cloud data. "ConvPoint", a top-performing neural network (NN) architecture of the Semantic3D.net pointcloud segmentation benchmark leaderboard, was chosen as the reference architecture for the development. A classification method based on the terrain geometry characteristics is used for automatic labeling of the datasets followed by manual adjustment of label through visual observation. The automatic labelling method selected is a state-of-the-art LZ detection method reported in literature which also serves as the baseline for comparative evaluation. Point clouds captured by the Intelligent Systems Laboratory (ISL), Memorial University of Newfoundland (MUN) and online point cloud datasets were used to perform network training and comparative evaluation of the methods. The results signify the enhanced capability of deep learning based methods on handling both geometry and color information for LZ estimation, and the ability to perform LZ estimations making use of hardware accelerator modules. The deep learning base methods were capable of achieving accuracies up to 94% for datasets that contain water bodies where the classical approach had poor predictive capability due to the reliance on only geometric information. The proposed LZ detection algorithm was run on a reconfigurable hardware-accelerated module to evaluate the real-time feasibility of the approach which currently is capable of 10238 points per second processing speed on Jetson AGX Xavier dedicated hardware.
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 ».