Secure Vision-Based Navigation for Drones in GPS-Denied Environments Using Machine Learning
Notice bibliographique
Résumé
Unmanned Aerial Vehicles (UAVs) have become indispensable across domains such as surveillance, disaster management, and industrial inspection. However, their heavy reliance on Global Positioning System (GPS) signals exposes them to spoofing, jamming, and denial-of-service attacks, creating significant risks in critical operations. To address this limitation, we propose a secure vision-based navigation framework that integrates Convolutional Neural Networks (CNNs), Simultaneous Localization and Mapping (SLAM), and efficient path-planning algorithms. A lightweight UNet architecture with a ResNet50 backbone was trained on aerial datasets, achieving a Dice coefficient of 0.9155 and a mean Intersection over Union (mIoU) of 0.8658, enabling robust segmentation of roads, buildings, terrain, and obstacles. SLAM, powered by SuperPoint feature detection and SuperGlue matching, demonstrated reduced drift and improved trajectory consistency compared to classical ORBbased methods. Path-planning experiments further showed that A* consistently outperformed Dijkstra in real-time navigation scenarios. The integration of CNN-driven perception with SLAMbased localization provides reliable cost-fused maps for autonomous decision-making. This framework enhances confidentiality, integrity, and availability in UAV navigation, offering a scalable GPS-independent solution for secure deployment in contested and GPS-denied environments.
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 | 0,001 |
| 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 ».