Key points are not available for this paper at this time.
Obwohl das Manipulieren des unbemannten Luftmanipulators (UAM) weitgehend untersucht wurde, fehlt es dem visionbasierten UAM-Nähern, der für das anschließende Manipulieren entscheidend ist, allgemein an einem effektiven Design. Der Schlüssel zum visuellen UAM-Nähern liegt in der Objektverfolgung, während die derzeitige UAM-Verfolgung typischerweise auf kostspielige modellbasierte Methoden angewiesen ist. Darüber hinaus sieht sich das UAM-Nähern oft schwerwiegenderen Problemen der Objektmaßstabsvariation gegenüber, was es unangemessen macht, modernste modellfreie, siamese-basierte Methoden aus dem Bereich der Objektverfolgung direkt anzuwenden. Um die oben genannten Probleme anzugehen, schlägt diese Arbeit ein neuartiges Siamese-Netzwerk mit paarweise Skalen-Kanal-Achtung (SiamSA) für das visionbasierte UAM-Nähern vor. Konkret besteht SiamSA aus einem paarweise Skalen-Kanal-Attention-Netzwerk (PSAN) und einem skalenbewussten Anker-Vorschlagsnetzwerk (SA-APN). PSAN erwirbt wertvolle Maßstabsinformationen zur Merkmalsverarbeitung, während SA-APN hauptsächlich Maßstabsbewusstsein beim Anker-Vorschlagen anbindet. Darüber hinaus wird ein neuer Verfolgungsbenchmark für das UAM-Nähern, nämlich UAMT100, mit 35K Frames auf einer fliegenden UAM-Plattform zur Evaluierung aufgezeichnet. Ausführliche Experimente zu den Benchmarks und realen Tests validieren die Effizienz und Praktikabilität von SiamSA mit einer vielversprechenden Geschwindigkeit. Sowohl der Code als auch der UAMT100-Benchmark sind jetzt verfügbar unter https://github.com/vision4robotics/SiamSA.
Zheng et al. (Sun,) haben diese Frage untersucht.