論文の概要: Under the Radar: Learning to Predict Robust Keypoints for Odometry
Estimation and Metric Localisation in Radar
- arxiv url: http://arxiv.org/abs/2001.10789v3
- Date: Mon, 24 Feb 2020 13:43:32 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-05 21:01:38.221560
- Title: Under the Radar: Learning to Predict Robust Keypoints for Odometry
Estimation and Metric Localisation in Radar
- Title（参考訳）: レーダー下での計測と距離定位のためのロバストなキーポイントの予測
- Authors: Dan Barnes and Ingmar Posner
- Abstract要約: 我々はOxford Radar RobotCarデータセットから実世界の280kmの走行実験を行った。
点ベースレーダオードメトリーの最先端性を改善し,誤差を最大45%低減する。
都市環境におけるレーダによる完全なマッピングとローカライズが可能なフレームワークを提供する。
- 参考スコア（独自算出の注目度）: 26.382149876115918
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper presents a self-supervised framework for learning to detect robust
keypoints for odometry estimation and metric localisation in radar. By
embedding a differentiable point-based motion estimator inside our
architecture, we learn keypoint locations, scores and descriptors from
localisation error alone. This approach avoids imposing any assumption on what
makes a robust keypoint and crucially allows them to be optimised for our
application. Furthermore the architecture is sensor agnostic and can be applied
to most modalities. We run experiments on 280km of real world driving from the
Oxford Radar RobotCar Dataset and improve on the state-of-the-art in
point-based radar odometry, reducing errors by up to 45% whilst running an
order of magnitude faster, simultaneously solving metric loop closures.
Combining these outputs, we provide a framework capable of full mapping and
localisation with radar in urban environments.
- Abstract（参考訳）: 本稿では,レーダーにおける計測および計測位置推定のためのロバストなキーポイントを検出するための自己教師型フレームワークを提案する。
アーキテクチャ内に異なるポイントベースのモーション推定器を埋め込むことで、ローカライゼーションエラーだけでキーポイントの位置、スコア、ディスクリプタを学習する。
このアプローチは、強固なキーポイントとなるものに対して仮定を課すことを回避し、当社のアプリケーションに最適化することを決定的に許容します。
さらに、アーキテクチャはセンサ非依存であり、ほとんどのモダリティに適用できる。
我々はOxford Radar RobotCar Datasetから280kmの現実世界での運転実験を行い、ポイントベースレーダオードメトリーの最先端性を改善し、誤差を最大45%削減し、桁違いの高速動作を実現し、同時にメートル法ループクロージャを解いた。
これらの出力を組み合わせることで,都市環境におけるレーダと完全なマッピングとローカライズが可能なフレームワークを提供する。
関連論文リスト
- Improved LiDAR Odometry and Mapping using Deep Semantic Segmentation and
Novel Outliers Detection [1.0334138809056097]
高速移動プラットフォームのためのLOAMアーキテクチャに基づくリアルタイムLiDARオドメトリーとマッピングのための新しいフレームワークを提案する。
本フレームワークは,ディープラーニングモデルによって生成された意味情報を用いて,ポイント・ツー・ラインとポイント・ツー・プレーンのマッチングを改善する。
高速動作に対するLiDARオドメトリーのロバスト性に及ぼすマッチング処理の改善効果について検討した。
論文 参考訳（メタデータ） (2024-03-05T16:53:24Z) - SpirDet: Towards Efficient, Accurate and Lightweight Infrared Small
Target Detector [60.42293239557962]
我々は、赤外線小ターゲットの効率的な検出のための新しいアプローチであるSpirDetを提案する。
新しいデュアルブランチスパースデコーダを用いて特徴写像を復元する。
大規模な実験により、提案されたSpirDetは最先端モデルよりも大幅に優れていることが示された。
論文 参考訳（メタデータ） (2024-02-08T05:06:14Z) - Unsupervised Domain Adaptation for Self-Driving from Past Traversal
Features [69.47588461101925]
本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。
提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。
実世界のデータセットの実験では、大幅な改善が示されている。
論文 参考訳（メタデータ） (2023-09-21T15:00:31Z) - RaLF: Flow-based Global and Metric Radar Localization in LiDAR Maps [8.625083692154414]
我々は、環境のLiDARマップにレーダースキャンをローカライズするための、新しいディープニューラルネットワークベースのアプローチであるRaLFを提案する。
RaLFは、レーダーとLiDAR機能エンコーダ、グローバルなディスクリプタを生成する場所認識ヘッド、レーダースキャンとマップ間の3DF変換を予測するメートル法ローカライゼーションヘッドで構成されている。
複数の実世界の運転データセットに対する我々のアプローチを広く評価し、RaLFが位置認識とメートル法ローカライゼーションの両方において最先端のパフォーマンスを達成することを示す。
論文 参考訳（メタデータ） (2023-09-18T15:37:01Z) - Semantic Segmentation of Radar Detections using Convolutions on Point
Clouds [59.45414406974091]
本稿では,レーダ検出を点雲に展開する深層学習手法を提案する。
このアルゴリズムは、距離依存クラスタリングと入力点雲の事前処理により、レーダ固有の特性に適応する。
我々のネットワークは、レーダポイント雲のセマンティックセグメンテーションのタスクにおいて、PointNet++に基づく最先端のアプローチよりも優れています。
論文 参考訳（メタデータ） (2023-05-22T07:09:35Z) - Anomaly Detection in Radar Data Using PointNets [7.3600716208089825]
異常なレーダーターゲットを検出するために,PointNetsに基づく手法を提案する。
本手法は都市シナリオにおける実世界のデータセットを用いて評価する。
論文 参考訳（メタデータ） (2021-09-20T10:02:24Z) - R4Dyn: Exploring Radar for Self-Supervised Monocular Depth Estimation of
Dynamic Scenes [69.6715406227469]
駆動シナリオにおける自己教師付き単眼深度推定は、教師付きアプローチに匹敵する性能を達成した。
本稿では,自己監督型深度推定フレームワーク上に費用効率の高いレーダデータを利用する新しい手法であるR4Dynを提案する。
論文 参考訳（メタデータ） (2021-08-10T17:57:03Z) - Radar-based Automotive Localization using Landmarks in a Multimodal
Sensor Graph-based Approach [0.0]
本稿では,自動車用レーダによる局部化の問題に対処する。
システムは抽象層としてランドマークとオドメトリ情報を使用する。
単一のセマンティックランドマークマップが、すべてのセンサーで使用され、維持される。
論文 参考訳（メタデータ） (2021-04-29T07:35:20Z) - RaLL: End-to-end Radar Localization on Lidar Map Using Differentiable
Measurement Model [14.155337185792279]
ライダーマップ(RaLL)上でのレーダローカライゼーションのためのエンドツーエンドディープラーニングフレームワークを提案する。
RaLLは成熟ライダーマッピング技術を利用しており、レーダマッピングのコストを低減している。
提案システムは,英国におけるモデルトレーニングの一般化シナリオにおいても,90km以上の運転性能を実現する。
論文 参考訳（メタデータ） (2020-09-15T13:13:38Z) - Radar-based Dynamic Occupancy Grid Mapping and Object Detection [55.74894405714851]
近年、古典的占有グリッドマップのアプローチが動的占有グリッドマップに拡張されている。
本稿では,従来のアプローチのさらなる発展について述べる。
複数のレーダセンサのデータを融合し、グリッドベースの物体追跡・マッピング手法を適用する。
論文 参考訳（メタデータ） (2020-08-09T09:26:30Z) - A Self-Training Approach for Point-Supervised Object Detection and
Counting in Crowds [54.73161039445703]
本稿では,ポイントレベルのアノテーションのみを用いて訓練された典型的なオブジェクト検出を可能にする,新たな自己学習手法を提案する。
トレーニング中、利用可能なポイントアノテーションを使用して、オブジェクトの中心点の推定を監督する。
実験の結果,本手法は検出タスクとカウントタスクの両方において,最先端のポイント管理手法よりも有意に優れていた。
論文 参考訳（メタデータ） (2020-07-25T02:14:42Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。