Generative Adversarial Networks (GAN) hanno avuto enormi applicazioni in Computer Vision. Eppure, nel contesto della scienza spaziale e dell'esplorazione planetaria, la porta è aperta a grandi progressi. Introduciamo strumenti per gestire i dati planetari dalla missione Chang'E-4 e presentiamo un framework per il trasferimento di stile neurale utilizzando la coerenza del ciclo dalle immagini renderizzate. Introduciamo anche una nuova pipeline in tempo reale per la localizzazione e la mappatura simultanea (SLAM) e l'odometria inerziale visiva (VIO) nel contesto dei rover planetari. Sfruttiamo le informazioni preliminari sulla posizione del lander per proporre un approccio SLAM a livello di oggetto che ottimizzi la posa e la forma del lander insieme alle traiettorie della telecamera del rover. Come ulteriore passaggio di raffinamento, proponiamo di utilizzare tecniche di interpolazione tra campioni temporali adiacenti; videlicet sintetizzando immagini inesistenti per migliorare la precisione complessiva del sistema. Gli esperimenti sono condotti nel contesto dell'Iris Lunar Rover, un nano-rover che sarà schierato su terreno lunare nel 2021 come ammiraglia della Carnegie Mellon, essendo il primo rover senza pilota d'America ad essere sulla Luna.
Bitte wählen Sie Ihr Anliegen aus.
Rechnungen
Retourenschein anfordern
Bestellstatus
Storno