城市空中图像中的三维着陆区细分从深度信息使用深度神经网络-超像素方法
N A Morales-Navarro1, J A de Jesús Osuna-Coutiño1, Madaín Pérez-Patricio1
1Department of Science, Tecnológico Nacional de México/IT de Tuxtla Gutiérrez, Carr. Panamericana Km. 1080, Tuxtla Gutiérrez 29050, Chiapas, Mexico.
Sensors (Basel, Switzerland)
|April 26, 2025
概括
本研究引入了一种用于自动驾驶飞行器的新型3D着陆区细分方法,通过评估地面可达性来提高安全性. 深度神经网络 (DNN) 方法显著提高了登陆区检测的准确性.
科学领域:
- 机器人技术 机器人技术 机器人技术
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 目前,自动驾驶飞行器的着陆区检测主要使用RGB摄像头,缺乏深度感知和表面可访问性评估.
- 基于RGB的方法可以识别由于不规则或难以进入的地形而不可行的着陆区域.
- 使用3D深度信息在正确解释深度模糊性方面存在挑战.
研究的目的:
- 为自动驾驶飞行器开发一个3D着陆区细分方法.
- 通过结合深度感知和可访问性分析,提高着陆区检测的准确性和安全性.
- 解决RGB-only方法在确定合适的着陆区域方面的局限性.
主要方法:
- 一个DNN-超像素方法用于3D着陆区细分.
- 使用超像素对区域进行细分和划分,聚类深度信息.
- 使用边界框从相邻对象中提取特征.
- 深度神经网络 (DNN) 用于根据可访问性将3D区域分类为可着陆或不可着陆的.
主要成果:
- 拟议的方法实现了0.953的平均回忆,正确识别了95.3%的着陆区像素.
- 平均精度为0.949,表明94.9%的细分着陆区是准确的.
- 实验结果证明了DNN-超像素方法在3D着陆区检测中的可行性和前景.
结论:
- DNN-超像素方法有效地对3D着陆区域进行细分,考虑到自动驾驶飞行器的表面可访问性.
- 这种方法通过整合深度信息来克服仅使用RGB系统的局限性.
- 高回忆和精度值表明着陆区检测准确性和安全性得到了显著改善.
