基于语义分割的城市环境自主着陆风险评估
宇宙学与河外天体物理
2025-03-25 v2
摘要
本文针对使用深度神经网络进行语义分割和风险评估，在复杂城市环境中实现基于视觉的自主着陆问题。我们提出采用 SegFormer，即一种最新视觉变换器网络，用于对复杂非结构化城市环境的语义分割。该方法可为智能自主着陆任务提供有价值的信息，尤其是在因系统故障或人为错误而导致的紧急着陆场景中。在实时飞行过程中，对无人机（UAV）上的 RGB 相机图像进行 SegFormer 分割，识别出城市环境中最常见的类别。这些类别随后被映射到风险水平，综合考虑一般情况下的潜在财产损失、对无人机本身的损坏以及对人员的危险。我们通过多个案例研究验证了该策略，表明基于语义分割的策略在确定自主紧急着陆的最安全着陆区域方面具有巨大的潜力，我们相信这将帮助释放无人机在城市 civil 应用中的全部潜力。
引用
@article{arxiv.2410.12987,
title = {Galaxy Mass Modelling from Multi-Wavelength JWST Strong Lens Analysis: Dark Matter Substructure, Angular Mass Complexity, or Both?},
author = {Samuel C. Lange and Aristeidis Amvrosiadis and James W. Nightingale and Qiuhan He and Carlos S. Frenk and Andrew Robertson and Shaun Cole and Richard Massey and Xiaoyue Cao and Ran Li and Kaihao Wang},
journal= {arXiv preprint arXiv:2410.12987},
year = {2025}
}
备注
16 pages with 13 figures, appendix 6 pages with 5 figures. Accepted by MNRAS