Visuelle Navigation basierend auf tiefen semantischen Hinweisen für die Echtzeitanalyse autonomer Stromleitungsinspektionen

In diesem Papier wird eine visuell geführte Navigationsmethode für unbemannte Luftfahrzeuge (UAVs) während der Inspektionen von Stromleitungen vorgeschlagen. Unsere Methode nutzt einen auf tiefem Lernen basierenden Bildsegmentierungsalgorithmus, um semantische Masken der Stromleitungen aus Bildern der Bordkamera zu extrahieren. Diese Masken werden dann verarbeitet, und visuelle Merkmale sowie geometrische Berechnungen erzeugen Geschwindigkeitsbefehle für die 3D-Position und die Gierkontrolle, die in das Navigationssystem des UAV eingespeist werden. Die Genauigkeit, Robustheit und Rechen-effizienz des Segmentierungsmoduls für Stromleitungen werden an realen Benchmark-Datensätzen bewertet. Um die Leistung der vorgeschlagenen Methode hinsichtlich der Inspektionsabdeckung zu bewerten, wurden umfangreiche Simulationsexperimente durchgeführt, die verschiedene texturierte Umgebungen und extreme Anfangszustände berücksichtigen. Die vorgeschlagene Methode zur Navigation eines UAV zu Ziel-PTLs zeigt sich hinsichtlich Robustheit und Stabilität als effektiv. Dies wird durch die genaue Segmentierung der PTLs und die Erzeugung kompakter Geschwindigkeitsvorgaben basierend auf visuellen Informationen in verschiedenen Umweltbedingungen erreicht. Die Ergebnisse zeigen eine signifikante Verbesserung der Präzision der autonomen UAV-basierten Inspektionen der Strominfrastruktur aufgrund der kontinuierlichen Überwachung der Übertragungsleitungen und einer sicheren, aber stabilen Navigation.