論文の概要: Localising Faster: Efficient and precise lidar-based robot localisation in large-scale environments

• arxiv url: http://arxiv.org/abs/2003.01875v2
• Date: Wed, 15 Jul 2020 18:13:23 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-26 13:00:13.251036
• Title: Localising Faster: Efficient and precise lidar-based robot localisation in large-scale environments
• Title（参考訳）: 高速ローカライズ:大規模環境における効率的なlidarベースのロボットローカライズ
• Authors: Li Sun, Daniel Adolfsson, Martin Magnusson, Henrik Andreasson, Ingmar Posner, and Tom Duckett
• Abstract要約: 本稿では,大規模環境における移動ロボットのグローバルなローカライズのための新しいアプローチを提案する。 本手法は,学習に基づくローカライゼーションとフィルタリングに基づくローカライゼーションを活用し,ロボットのローカライズを効率的かつ正確に行う。 提案手法は,約0.5km2の大規模環境下で,平均1.94秒(0.8秒)で精度0.75mの精度でロボットをローカライズできることを示す。
• 参考スコア（独自算出の注目度）: 27.53080210457653
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper proposes a novel approach for global localisation of mobile robots in large-scale environments. Our method leverages learning-based localisation and filtering-based localisation, to localise the robot efficiently and precisely through seeding Monte Carlo Localisation (MCL) with a deep-learned distribution. In particular, a fast localisation system rapidly estimates the 6-DOF pose through a deep-probabilistic model (Gaussian Process Regression with a deep kernel), then a precise recursive estimator refines the estimated robot pose according to the geometric alignment. More importantly, the Gaussian method (i.e. deep probabilistic localisation) and non-Gaussian method (i.e. MCL) can be integrated naturally via importance sampling. Consequently, the two systems can be integrated seamlessly and mutually benefit from each other. To verify the proposed framework, we provide a case study in large-scale localisation with a 3D lidar sensor. Our experiments on the Michigan NCLT long-term dataset show that the proposed method is able to localise the robot in 1.94 s on average (median of 0.8 s) with precision 0.75~m in a large-scale environment of approximately 0.5 km2.
• Abstract（参考訳）: 本稿では,大規模環境における移動ロボットのグローバルローカライズのための新しい手法を提案する。 本手法は,学習に基づくローカライゼーションとフィルタリングに基づくローカライゼーションを活用し,モンテカルロ・ローカライゼーション(MCL)を深く学習した分布を用いて,ロボットを効率的に高精度にローカライズする。 特に、高速なローカライゼーションシステムは、深い確率モデル(深いカーネルを持つガウス過程回帰)を通して6-DOFのポーズを迅速に推定し、正確な再帰的推定器は幾何学的アライメントに応じて推定されたロボットのポーズを洗練する。 さらに重要なことに、ガウス法(すなわち深い確率的局所化)と非ガウス法(すなわちmcl)は重要サンプリングによって自然に統合することができる。 これにより、2つのシステムをシームレスに統合し、相互に利益を得ることができる。 提案手法を検証するために,3次元ライダーセンサを用いた大規模ローカライゼーションのケーススタディを提案する。 ミシガンncltの長期データセットを用いた実験により,提案手法は,約0.5km2の大規模環境において,平均1.94 s(0.8 s中)の精度0.75~mでロボットをローカライズできることを示した。

関連論文リスト

• Learning Regions of Interest for Bayesian Optimization with Adaptive Level-Set Estimation [84.0621253654014]
  本稿では,高信頼領域を適応的にフィルタするBALLETというフレームワークを提案する。 理論的には、BALLETは探索空間を効率的に縮小することができ、標準BOよりも厳密な後悔を示すことができる。
  論文  参考訳（メタデータ） (2023-07-25T09:45:47Z)
• SEAL: Simultaneous Exploration and Localization in Multi-Robot Systems [0.0]
  本稿では,新しい同時探索と局所化手法を提案する。 相対的なローカライゼーションのために通信グラフ最適化を行いながら、最大探索に情報融合を用いる。 広範囲なROS-Gazeboシミュレーションにおける探索および位置決め性能のショートエッジ法より優れたSEAL
  論文  参考訳（メタデータ） (2023-06-22T01:27:55Z)
• IR-MCL: Implicit Representation-Based Online Global Localization [31.77645160411745]
  本稿では,室内環境におけるロボットの姿勢を2次元LiDARデータを用いて推定する問題に対処する。 ニューラルネットワークを用いてシーンを暗黙的に表現するためのニューラルネットワーク占有場(NOF)を提案する。 本研究では,最先端手法のローカライズ性能を超越したアプローチを用いて,ロボットを高精度かつ効率的にローカライズできることを示す。
  論文  参考訳（メタデータ） (2022-10-06T17:59:08Z)
• LocUNet: Fast Urban Positioning Using Radio Maps and Deep Learning [59.17191114000146]
  LocUNet: 基地局(BSs)からの受信信号強度(RSS)のみに基づく深層学習手法 提案手法では,BSsからのRSSを,クラウド上に存在する可能性のある中央処理ユニット(CPU)にローカライズする。 推定されたBSのパスロスラジオマップを用いて、LocUNetは最先端の精度でユーザをローカライズし、無線マップの不正確性に対して高い堅牢性を享受する。
  論文  参考訳（メタデータ） (2022-02-01T20:27:46Z)
• Kimera-Multi: Robust, Distributed, Dense Metric-Semantic SLAM for Multi-Robot Systems [92.26462290867963]
  Kimera-Multiは、最初のマルチロボットシステムであり、不正なインターループとイントラロボットループの閉鎖を識別し拒否することができる。 我々は、フォトリアリスティックシミュレーション、SLAMベンチマークデータセット、地上ロボットを用いて収集された屋外データセットの挑戦において、Kimera-Multiを実証した。
  論文  参考訳（メタデータ） (2021-06-28T03:56:40Z)
• Real-time Outdoor Localization Using Radio Maps: A Deep Learning Approach [59.17191114000146]
  LocUNet: ローカライゼーションタスクのための畳み込み、エンドツーエンドのトレーニングニューラルネットワーク(NN)。 我々は,LocUNetがユーザを最先端の精度でローカライズし,無線マップ推定における不正確性が高いことを示す。
  論文  参考訳（メタデータ） (2021-06-23T17:27:04Z)
• Markov Localisation using Heatmap Regression and Deep Convolutional Odometry [59.33322623437816]
  我々は,最新のディープラーニングハードウェアを活用する新しいCNNベースのローカライゼーション手法を提案する。 画像に基づくローカライゼーションと,1つのニューラルネットワーク内でのオドメトリーに基づく確率伝搬を行うハイブリッドCNNを作成する。
  論文  参考訳（メタデータ） (2021-06-01T10:28:49Z)
• An Information-Theoretic Approach to Persistent Environment Monitoring Through Low Rank Model Based Planning and Prediction [19.95989053853125]
  本研究では,大面積の観測点を限定的に選択する手法を提案する。 対象属性の低ランクモデルと情報最大化パスプランナを組み合わせて,属性の状態を予測する。 2つの実環境データセットのシミュレーションにおいて,本手法の評価を行った。
  論文  参考訳（メタデータ） (2020-09-02T16:19:55Z)
• Locally induced Gaussian processes for large-scale simulation experiments [0.0]
  本稿では,ポイントの配置とその多さを病理学的に抑制できることを示す。 提案手法は,グローバルなインジェクションポイントとデータサブセットに基づく局所GP近似をハイブリダイズする。 計算効率のフロンティアにおいて,局所誘導点がグローバルおよびデータサブセットの構成要素を拡張していることを示す。
  論文  参考訳（メタデータ） (2020-08-28T21:37:46Z)
• Localized active learning of Gaussian process state space models [63.97366815968177]
  多くの共通制御アプリケーションにおいて、優れた性能を達成するためには、グローバルに正確なモデルを必要としない。 本稿では,状態-作用空間の有界部分集合上の正確なモデルを得ることを目的としたガウス過程状態空間モデルに対する能動的学習戦略を提案する。 モデル予測制御を用いることで、探索中に収集した情報を統合し、探索戦略を適応的に改善する。
  論文  参考訳（メタデータ） (2020-05-04T05:35:02Z)

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。