Enhanced Dynamic Obstacle Avoidance for UAVs Using Event Camera and Ego-Motion Compensation
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
To navigate dynamic environments safely, UAVs require accurate, real time onboard perception, which relies on ego motion compensation to separate self-induced motion from external dynamics and enable reliable obstacle detection. Traditional ego-motion compensation techniques are mainly based on optimization processes and may be computationally expensive for real-time applications or lack the precision needed to handle both rotational and translational movements, leading to issues such as misidentifying static elements as dynamic obstacles and generating false positives. In this paper, we propose a novel approach that integrates an event camera-based perception pipeline with an ego-motion compensation algorithm to accurately compensate for both rotational and translational UAV motion. An enhanced warping function, integrating IMU and depth data, is constructed to compensate camera motion based on real-time IMU data to remove ego motion from the asynchronous event stream, enhancing detection accuracy by reducing false positives and missed detections. On the compensated event stream, dynamic obstacles are detected by applying a motion aware adaptive threshold to the normalized mean timestamp image, with the threshold derived from the image’s spatial mean and standard deviation and adjusted by the UAV’s angular and linear velocities. Furthermore, in conjunction with a 3D Artificial Potential Field (APF) for obstacle avoidance, the proposed approach generates smooth, collision-free paths, addressing local minima issues through a rotational force component to ensure efficient UAV navigation in dynamic environments. The effectiveness of the proposed approach is validated through simulations, and its application for UAV navigation, safety, and efficiency in environments such as warehouses is demonstrated, where real-time response and precise obstacle avoidance are essential.
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