Drone perception for mapping degraded wildfire environments

Sammanfattning

Stigande globala temperaturer ökar intensiteten av skogsbränder. Detta ställer en ökad belastning på brandmän, vilket leder till högre nivåer av ansträngning. Att möta detta behov kräver teknologier som kan stödja insatspersonal i visuellt degraderade miljöer. Denna avhandling utgår ifrån en simulerad kvantitativ studie med en småskalig verklig kvalitativ validering. Kärnexperimentet utvärderar SLAM-prestanda med en UAV utrustad med antingen en stereo RGB-kamera eller ett nytt stereo RGB-Värme fusionssystem som kombinerar en stereo RGB-kamera och en enda värmekamera med en termisk monokulär djupinference-modell. Experimentet genomförs över varierande röknivåer och sensorsetups och utvärderas primärt genom punktmolnsnoggrannhet och objektlokaliseringsfel. Resultaten indikerar prestandaförbättringar i visuellt degraderade miljöer när fusionssetupen används, främst återspeglat i en reducerad frekvens av odetekterade objekt. Fusionssetupen är brusigare och mindre exakt än stereo RGB-setuppen, men bibehåller detektion även i tät rök. Detta brus försämrar objektlokaliseringsprestanda. Med en genomsnittlig latens på 0.67 sekunder uppnår fusionsmetoden en medeldetekteringsgrad på omkring 80%, oavsett röknivå. med ett medelvärde av lokaliseringsfel på ungefär 40 centimeter. I jämförelse uppnår stereo RGB-setuppen en medeldetekteringsgrad på 90% i låga röknivåer och 45% i höga röknivåer, samt ett genomsnittligt lokaliseringsfel på omkring 22 centimeter. Detta arbete visar att stereo RGB-T-fusion förbättrar kartläggningsrobusthet i visuellt degraderade miljöer samtidigt som det introducerar en avvägning i lokaliseringsnoggrannhet. Fusionssetupen är mycket brusigare, specifikt relaterat till ökade hallucinationer och ökade objektlokaliseringsfel på grund av begränsningar i termisk monokulär djupinference, vilket framhäver behovet av en mer diversifierad träningsdataset. Utöver detta finns ett behov att öka mängden valideringsdata, då den småskaliga valideringen som görs är begränsad.