Key points are not available for this paper at this time.
La navigation autonome en intérieur des Micro Aerial Vehicles (MAVs) pose de nombreux défis. L'une des principales raisons est que le GPS a une précision limitée dans les environnements intérieurs. Le fait supplémentaire que les MAVs ne peuvent pas transporter de capteurs lourds ou consommant beaucoup d'énergie, tels que des télémètres, rend la navigation autonome en intérieur une tâche difficile. Dans cet article, nous proposons un système pratique dans lequel un quadricoptère navigue de manière autonome à l'intérieur et trouve une cible spécifique, c'est-à-dire un sac à dos, en utilisant une seule caméra. Un modèle d'apprentissage profond, un réseau de neurones convolutif (ConvNet), est utilisé pour apprendre une stratégie de contrôle qui imite le choix d'action d'un pilote expert. Nous montrons la performance de notre système à travers des expériences en temps réel dans divers lieux intérieurs. Pour en savoir plus sur notre réseau entraîné, nous utilisons plusieurs techniques de visualisation.
Kim et al. (Sun,) ont étudié cette question.