Ändra sökning
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • harvard1
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
Vision-based MAV Navigation in Underground Mine Using Convolutional Neural Network
Luleå tekniska universitet, Institutionen för system- och rymdteknik, Signaler och system.ORCID-id: 0000-0001-7631-002x
Luleå tekniska universitet, Institutionen för system- och rymdteknik, Signaler och system.
Luleå tekniska universitet, Institutionen för system- och rymdteknik, Signaler och system.
Luleå tekniska universitet, Institutionen för system- och rymdteknik, Signaler och system.ORCID-id: 0000-0002-2001-7171
Visa övriga samt affilieringar
2019 (Engelska)Konferensbidrag, Publicerat paper (Refereegranskat)
Abstract [en]

This article presents a Convolutional Neural Network (CNN) method to enable autonomous navigation of low-cost Micro Aerial Vehicle (MAV) platforms along dark underground mine environments. The proposed CNN component provides on-line heading rate commands for the MAV by utilising the image stream from the on-board camera, thus allowing the platform to follow a collision-free path along the tunnel axis. A novel part of the developed method consists of the generation of the data-set used for training the CNN. More specifically, inspired from single image haze removal algorithms, various image data-sets collected from real tunnel environments have been processed offline to provide an estimation of the depth information of the scene, where ground truth is not available. The calculated depth map is used to extract the open space in the tunnel, expressed through the area centroid and is finally provided in the training of the CNN. The method considers the MAV as a floating object, thus accurate pose estimation is not required. Finally, the capability of the proposed method has been successfully experimentally evaluated in field trials in an underground mine in Sweden.

Ort, förlag, år, upplaga, sidor
2019.
Nyckelord [en]
Mining Aerial Robotics, Deep Learning for Navigation, MAV
Nationell ämneskategori
Robotteknik och automation
Identifikatorer
URN: urn:nbn:se:ltu:diva-75674OAI: oai:DiVA.org:ltu-75674DiVA, id: diva2:1345215
Konferens
IEEE Industrial Electronics Society
Tillgänglig från: 2019-08-23 Skapad: 2019-08-23 Senast uppdaterad: 2019-08-23

Open Access i DiVA

Fulltext saknas i DiVA

Personposter BETA

Mansouri, Sina SharifKanellakis, ChristoforosKominiak, DariuszNikolakopoulos, George

Sök vidare i DiVA

Av författaren/redaktören
Mansouri, Sina SharifKanellakis, ChristoforosKominiak, DariuszNikolakopoulos, George
Av organisationen
Signaler och system
Robotteknik och automation

Sök vidare utanför DiVA

GoogleGoogle Scholar

urn-nbn

Altmetricpoäng

urn-nbn
Totalt: 34 träffar
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • harvard1
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf