抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
農業圃場や果樹園のような粗くて非構造化された地形における信頼できる障害物検出と分類は挑戦的な問題となっている。これらの環境は,幾何学と外観の両方に大きな変化を含み,単一のセンサモダリティのみに依存する挑戦的な知覚システムである。幾何学的に,高い草,落下した葉,あるいは地形の粗さは,非横断的なものとして誤って知覚されるか,あるいは実際の障害物を隠すことさえできる。同様に,横断可能な草または汚れた道路と樹木やブッシュのような障害物は視覚的にあいまいである可能性がある。本論文において,著者らは,条件付きのランダムフィールドを用いる意味的セグメンテーションによって,ライダーとカメラ検出を確率的に融合することによって,外観と幾何学に基づく検出方法を結合した。著者らは,シーン解析領域から最先端の多モード融合アルゴリズムを適用して,移動する地上車両を有する農業における障害物検出のためにそれを調整した。これは,スパース点雲データを明示的に扱い,対応する2Dと3D領域の間の空間的,時間的,および多モードリンクの両方を利用することを含む。提案した方法を,オーストラリアにおける認知研究ロボットで集められた酪農パドックと異なる果樹園からなる多様なデータセットについて評価した。結果は,2クラス分類問題(地上と非地上)に対して,平均分類スコアが0.5%増加する他のモダリティによって提供された情報から,カメラだけが利用されることを示した。しかし,より多くのクラスが導入された(地上,天空,植生,および対象)として,両方のモダリティは互いに補完し,2Dで1.4%,3Dで7.9%の改善があった。最後に,逐次フレーム間の時間的リンクの導入により,2Dでは0.2%,3Dでは1.5%の改善が得られた。Copyright 2020 Wiley Publishing Japan K.K. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】