Compact Convolutional Segmentation for Visual Landmark Extraction in GNSS-Denied UAV Navigation
本文提出了一种紧凑型卷积分割框架，该框架结合了全卷积处理、基于空洞的上下文提取以及残差特征传递，用于从航空图像中提取视觉地标，以实现无 GNSS 环境下的无人机导航，并通过在改进的建筑物分割数据集上的初步评估证明了其可行性。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一只无人机在高空盘旋于城市之上，宛如一只长着照相机眼睛的好奇飞鸟。通常情况下，这只飞鸟依赖于一套宇宙级的 GPS 系统——卫星网络——来精确获知自己的位置。但如果那些卫星突然沉默了呢？也许是风暴遮蔽了信号，亦或是有人故意干扰了连接。突然间，无人机仿佛变成了盲目飞行，无法分辨自己是在公园上方还是在停车场上方。这就是“GNSS 受限”导航的世界，是一个机器人科学中的棘手领域，在这里，机器必须在无法仰望天空的情况下寻找出路。为了生存，这些无人机需要变得像是在异国他乡探险的探险家，通过识别熟悉的地标——比如一座高塔或一栋独特的建筑——来确定自己的位置。挑战在于，从高空俯瞰城市是非常令人困惑的；建筑物在不同的角度、阴影以及无人机距离远近的变化下，看起来各不相同。科学家们一直试图教会计算机自动识别这些稳定且不变的结构，希望赋予无人机一双“智能之眼”，让它们能说出：“啊，我看到了那个红屋顶；我一定是在图书馆附近。”
本文介绍了一种专门为追求快速与高效的无人机设计的轻量化“智能之眼”。研究人员提出了一种紧凑的计算机模型，它就像一个数字荧光笔。该模型并非试图识别照片中的每一个物体，而是扫描航拍图像，并尝试对建筑物的形状进行“分割”或勾勒轮廓，将它们视为潜在的地标。可以把它想象成一本涂色书，计算机试图将所有的建筑物涂成白色，而将其他事物（如道路、树木或水域）留黑。作者利用一系列巧妙的技巧构建了一个用于此任务的特殊“小脑”：他们使用了“扩张”层来观察大局而不至于迷失在细节中，并使用了“残差”连接来记住建筑物的精细边缘。他们使用波士顿和马萨诸塞州的航拍照片数据集测试了这个想法，由于目前还没有专门的“无人机地标”数据集，他们将建筑物轮廓作为真实地标的替代品。
结果表明，这种紧凑的方法是一个充满希望的开端，但它还不是一个完成品。当研究人员将他们的模型与更简单的版本进行对比时，他们发现将“大局观”与“精细细节”记忆相结合的效果最好。他们的模型在训练数据上实现了最低的错误率，并在测试数据上保持了极高的稳定性，这表明其架构是稳固的。然而，论文谨慎地表示并未宣布胜利。该模型仍然会漏掉一些建筑物（召回率较低），有时也会让边缘显得有些模糊。作者明确指出，这只是一个“前端”工具——一种寻找候选目标的方法——而非一个能独立驾驶无人机的完整导航系统。他们还指出，由于使用的是标准的建筑地图而非无人机特有的照片，且尚未在实际的无人机硬件上进行测试，因此该系统仍需更多的训练和现实世界的测试。虽然其设计看起来已经准备好适配无人机上的小型节能芯片，但作者建议，未来的工作必须证明它能够足够快地进行实时运行，并能应对真实无人机所看到的那些杂乱且独特的图像。目前来看，这是一个聪明的、微小的引擎，预示着我们在为无人机在卫星信号消失时提供更好的方向感方面，正走在正确的轨道上。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。