Simple Science

La science de pointe expliquée simplement

# Informatique# Robotique# Vision par ordinateur et reconnaissance des formes

Avancées des robots de travail aérien grâce au dataset USTC FLICAR

Un nouveau jeu de données soutient la croissance des robots de travail aériens avec des données de capteurs avancés.

― 10 min lire


Nouveau jeu de donnéesNouveau jeu de donnéespour les robots aérienstravail aérien.améliorer les capacités des robots dePrésentation de l'USTC FLICAR pour
Table des matières

Les robots de travail aériens deviennent de plus en plus importants dans divers secteurs, comme la construction, l'entretien et l'agriculture. Ces robots peuvent faire des tâches qui sont souvent dangereuses pour les travailleurs humains, comme travailler en hauteur ou manipuler du matériel lourd. Cependant, leur efficacité dépend d'une navigation précise et de la cartographie de leur environnement. Pour aider au développement de ces robots, un nouveau jeu de données appelé USTC FLICAR a été créé. Ce jeu de données combine des données de différents capteurs, y compris LiDAR, Caméras et Unités de mesure inertielle, pour améliorer les performances des robots dans les tâches aériennes.

Qu'est-ce que le jeu de données USTC FLICAR ?

Le jeu de données USTC FLICAR est conçu pour soutenir l'avancement des robots de travail aériens en fournissant des données essentielles pour la localisation, la cartographie et la reconstruction 3D dans des environnements complexes. Il dispose d'une plateforme aérienne unique basée sur un camion élévateur, ce qui permet flexibilité et stabilité lors de la collecte de données. Le jeu de données comprend des données provenant de plusieurs capteurs bien calibrés, en faisant l'une des sources les plus complètes pour les tâches de travail aérien.

Pourquoi ce jeu de données est-il important ?

Ces dernières années, beaucoup de jeux de données ont émergé pour soutenir le développement de véhicules autonomes et de drones. Cependant, les robots de travail aériens sont différents des voitures et des drones traditionnels. Tandis que les drones classiques ont des limites concernant la capacité de charge, et que les voitures sont limitées à des mouvements au sol, les robots de travail aériens doivent fonctionner dans divers environnements 3D. Le jeu de données USTC FLICAR vise à combler le vide dans les jeux de données existants en offrant une plateforme qui combine des charges lourdes, plusieurs capteurs et des capacités de navigation avancées.

Configuration des capteurs

Le jeu de données comprend une variété de capteurs pour assurer une collecte de données robuste. Les principaux capteurs utilisés pour le jeu de données USTC FLICAR incluent :

  1. Capteurs LiDAR : Ces capteurs utilisent la lumière laser pour mesurer des distances et générer des cartes 3D de l'environnement. Le jeu de données comprend quatre unités LiDAR, offrant une couverture complète des environs.

  2. Caméras : Plusieurs caméras sont montées sur la plateforme pour capturer des images haute résolution. Ces infos ajoutent de la profondeur et de la texture aux données, ce qui est crucial pour interpréter correctement l'environnement.

  3. Unités de mesure inertielle (IMUs) : Les IMUs mesurent l'accélération et la rotation de la plateforme, aidant à suivre son mouvement avec précision.

  4. Système GNSS/INS : Ce système combine les données du Système Mondial de Navigation par Satellite (GNSS) avec la navigation inertielle, permettant un positionnement précis en extérieur comme en intérieur.

Les systèmes d'acquisition de données

Les données pour le jeu de données USTC FLICAR ont été collectées à l'aide de deux systèmes distincts : le système "Giraffe", qui est aérien, et le système "Okapi", qui fonctionne au sol. Le système Giraffe est équipé de la suite multisensorielle montée sur le camion élévateur, tandis que le système Okapi mime un véhicule autonome pour collecter des données à des fins de comparaison.

Système Giraffe

Le système Giraffe comprend :

  • Une plateforme multisensorielle pour la collecte de données aériennes.
  • Un traceur laser pour enregistrer des positions de vérité terrain précises.
  • Le camion élévateur, qui peut étendre sa portée pour collecter des données à différentes hauteurs.

Système Okapi

Le système Okapi se compose de :

  • Un robot au sol équipé des mêmes capteurs que le système Giraffe.
  • Un système d'enregistrement de vérité terrain pour valider les données recueillies par la plateforme aérienne.

Scénarios de travail aérien

Le jeu de données inclut divers scénarios du monde réel pour refléter les tâches de travail aérien typiques. Des exemples incluent :

  • Réparation des installations électriques.
  • Entretien de machines.
  • Maintenance de navires.
  • Travaux de construction.
  • Taille des arbres.
  • Lutte contre les incendies aériens et opérations de secours.

Le travail aérien contribue beaucoup à la productivité industrielle et agricole. Il est essentiel d'assurer la sécurité des travailleurs dans ces situations, car beaucoup de méthodes traditionnelles impliquent des risques considérables. En utilisant des robots pour ces tâches, l'efficacité et la sécurité des opérations peuvent être grandement améliorées.

Le besoin de jeux de données publics

Les jeux de données publics sont cruciaux pour soutenir le développement de systèmes autonomes. Ils fournissent une référence standard pour évaluer les algorithmes, permettant des tests et développements rapides sans avoir besoin d'équipements coûteux ou de processus de calibration étendus. Les jeux de données existants se concentrent principalement sur des scénarios au sol, ce qui peut limiter leur efficacité pour les applications aériennes.

Jeux de données au sol vs. aériens

Les jeux de données pour les scénarios au sol, comme ceux axés sur la conduite autonome, ont vu d'énormes avancées au cours de la dernière décennie. Ils disposent souvent de capteurs de haute qualité et de méthodes de collecte de données étendues, permettant une localisation et une cartographie précises.

En revanche, les jeux de données aériens ont des limitations dues aux contraintes de charge et à l'échelle plus petite de la collecte de données. Le jeu de données USTC FLICAR vise à combler le fossé entre les jeux de données au sol et aériens en combinant les forces des deux, avec de nombreux capteurs et des capacités de mesure précises.

Le rôle des capteurs dans le travail aérien

Équiper les robots aériens de plusieurs capteurs est essentiel pour rassembler des données complètes dans des environnements imprévisibles. Utiliser une gamme variée de capteurs permet aux robots de percevoir leur environnement avec précision. C'est particulièrement important lorsque les robots doivent effectuer des tâches délicates, où une précision au millimètre est souvent requise.

Travaux liés

Les jeux de données précédents se sont principalement concentrés soit sur des applications au sol, soit aériennes, ce qui a conduit à un manque de ressources qui soutiennent les besoins des robots de travail aériens. Le jeu de données USTC FLICAR s'appuie sur des jeux de données antérieurs comme KITTI et EuRoC, qui ont fourni des informations précieuses pour leurs domaines respectifs, et intègre les forces des deux pour soutenir le développement des systèmes aériens.

Avantages d'utiliser un camion élévateur

Le jeu de données USTC FLICAR utilise un camion élévateur pour plusieurs raisons. Les camions élévateurs sont couramment utilisés dans des situations de travail aérien en raison de leur capacité à élever les travailleurs en toute sécurité vers des endroits difficiles d'accès. Ils offrent une capacité de charge et une stabilité significatives tout en permettant un mouvement flexible. En combinant les capacités d'un camion élévateur avec la technologie des capteurs, le jeu de données peut efficacement soutenir le développement de robots de travail aériens avancés.

Cohérence des capteurs

Maintenir la cohérence dans la technologie des capteurs est crucial pour une collecte de données fiable. Le jeu de données USTC FLICAR garantit que tous les capteurs utilisés pour l'acquisition de données partagent des spécifications similaires à celles utilisées dans les jeux de données existants, permettant des comparaisons et évaluations plus précises entre les algorithmes.

Qualité des données et calibration

Des données de vérité terrain de haute qualité sont nécessaires pour valider la performance des algorithmes. Le jeu de données USTC FLICAR comprend des informations de calibration étendues pour tous les capteurs afin d'assurer des mesures précises. Cette calibration implique l'alignement des capteurs et la confirmation de leur précision dans des conditions réelles.

Génération de vérité terrain

Générer des données de vérité terrain fiables implique plusieurs étapes, y compris l'intégration préalable des données IMU, l'alignement spatiotemporel avec les mesures du traceur laser et l'optimisation par des techniques de graphique de facteurs. Ces étapes travaillent ensemble pour produire une vue complète des mouvements de la plateforme en temps réel.

Synchronisation des capteurs

Pour une fusion spatiotemporelle précise des données, la synchronisation de plusieurs capteurs est essentielle. Le jeu de données USTC FLICAR utilise une combinaison de déclencheurs matériels et de protocoles de synchronisation pour aligner les flux de données provenant de divers capteurs. Cela garantit que les mesures sont cohérentes et précises sur l'ensemble de la plateforme.

Évaluation des algorithmes SLAM

Des algorithmes de localisation et de cartographie simultanés (SLAM) à la pointe de la technologie ont été testés sur le jeu de données USTC FLICAR pour évaluer leurs performances. En évaluant divers algorithmes sous différentes conditions, les chercheurs peuvent identifier les forces et les faiblesses, guidant les futures améliorations dans la robotique aérienne.

Défis dans la performance SLAM

Bien que les algorithmes SLAM puissent produire des résultats fiables, certains défis peuvent survenir dans des environnements complexes. Des facteurs tels qu'une visibilité réduite, une vitesse de rotation élevée et un faible texture peuvent affecter la précision des algorithmes SLAM, entraînant des erreurs accrues. Comprendre ces limitations aidera à affiner les futurs algorithmes pour une performance améliorée.

Directions futures

Le jeu de données USTC FLICAR vise à ouvrir la voie à des avancées dans les applications de travail aérien. Les développements futurs potentiels incluent :

  • L'incorporation d'annotations sémantiques et de segmentation pour améliorer la compréhension de l'environnement.
  • L'élargissement de la gamme de types de capteurs utilisés, comme des caméras infrarouges, pour améliorer les capacités.
  • La poursuite de la collecte de données dans divers scénarios pour construire une base de données plus vaste pour les chercheurs.

Conclusion

Le jeu de données USTC FLICAR représente un pas en avant significatif pour soutenir le développement des robots de travail aériens. En combinant plusieurs types de capteurs et des scénarios du monde réel, ce jeu de données fournit des ressources précieuses pour les chercheurs afin d'améliorer la localisation, la cartographie et les performances globales dans les tâches aériennes. Avec des améliorations et des expansions continues, le jeu de données promet d'améliorer considérablement la sécurité, l'efficacité et l'accessibilité du travail aérien.

Source originale

Titre: USTC FLICAR: A Sensors Fusion Dataset of LiDAR-Inertial-Camera for Heavy-duty Autonomous Aerial Work Robots

Résumé: In this paper, we present the USTC FLICAR Dataset, which is dedicated to the development of simultaneous localization and mapping and precise 3D reconstruction of the workspace for heavy-duty autonomous aerial work robots. In recent years, numerous public datasets have played significant roles in the advancement of autonomous cars and unmanned aerial vehicles (UAVs). However, these two platforms differ from aerial work robots: UAVs are limited in their payload capacity, while cars are restricted to two-dimensional movements. To fill this gap, we create the "Giraffe" mapping robot based on a bucket truck, which is equipped with a variety of well-calibrated and synchronized sensors: four 3D LiDARs, two stereo cameras, two monocular cameras, Inertial Measurement Units (IMUs), and a GNSS/INS system. A laser tracker is used to record the millimeter-level ground truth positions. We also make its ground twin, the "Okapi" mapping robot, to gather data for comparison. The proposed dataset extends the typical autonomous driving sensing suite to aerial scenes, demonstrating the potential of combining autonomous driving perception systems with bucket trucks to create a versatile autonomous aerial working platform. Moreover, based on the Segment Anything Model (SAM), we produce the Semantic FLICAR dataset, which provides fine-grained semantic segmentation annotations for multimodal continuous data in both temporal and spatial dimensions. The dataset is available for download at: https://ustc-flicar.github.io/.

Auteurs: Ziming Wang, Yujiang Liu, Yifan Duan, Xingchen Li, Xinran Zhang, Jianmin Ji, Erbao Dong, Yanyong Zhang

Dernière mise à jour: 2023-07-27 00:00:00

Langue: English

Source URL: https://arxiv.org/abs/2304.01986

Source PDF: https://arxiv.org/pdf/2304.01986

Licence: https://creativecommons.org/licenses/by-nc-sa/4.0/

Changements: Ce résumé a été créé avec l'aide de l'IA et peut contenir des inexactitudes. Pour obtenir des informations précises, veuillez vous référer aux documents sources originaux dont les liens figurent ici.

Merci à arxiv pour l'utilisation de son interopérabilité en libre accès.

Plus d'auteurs

Articles similaires