論文の概要: Fast Geometric Surface based Segmentation of Point Cloud from Lidar Data
- arxiv url: http://arxiv.org/abs/2005.02704v1
- Date: Wed, 6 May 2020 10:17:16 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-06 06:08:31.605285
- Title: Fast Geometric Surface based Segmentation of Point Cloud from Lidar Data
- Title（参考訳）: 高速幾何表面に基づくライダーデータからの点雲のセグメンテーション
- Authors: Aritra Mukherjee, Sourya Dipta Das, Jasorsi Ghosh, Ananda S.
Chowdhury, Sanjoy Kumar Saha
- Abstract要約: LIDARは、地図構築に役立つ環境の高速で正確な3Dポイントクラウドマップを提供する。
本稿では,3次元オブジェクトのモデリングにおいて,分割面をリアルタイムで生成する手法を提案する。
- 参考スコア（独自算出の注目度）: 15.882128188732016
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Mapping the environment has been an important task for robot navigation and
Simultaneous Localization And Mapping (SLAM). LIDAR provides a fast and
accurate 3D point cloud map of the environment which helps in map building.
However, processing millions of points in the point cloud becomes a
computationally expensive task. In this paper, a methodology is presented to
generate the segmented surfaces in real time and these can be used in modeling
the 3D objects. At first an algorithm is proposed for efficient map building
from single shot data of spinning Lidar. It is based on fast meshing and
sub-sampling. It exploits the physical design and the working principle of the
spinning Lidar sensor. The generated mesh surfaces are then segmented by
estimating the normal and considering their homogeneity. The segmented surfaces
can be used as proposals for predicting geometrically accurate model of objects
in the robots activity environment. The proposed methodology is compared with
some popular point cloud segmentation methods to highlight the efficacy in
terms of accuracy and speed.
- Abstract（参考訳）: 環境のマッピングは、ロボットナビゲーションと同時局在とマッピング(SLAM)にとって重要なタスクである。
LIDARは、地図構築に役立つ環境の高速で正確な3Dポイントクラウドマップを提供する。
しかし、ポイントクラウドでの数百万ポイントの処理は計算量的に高価なタスクになる。
本稿では,セグメント面をリアルタイムで生成する手法を提案し,これらを3dオブジェクトのモデリングに応用する。
まず,回転ライダーの単発データから効率的な地図作成のためのアルゴリズムを提案する。
高速なメッシュとサブサンプリングに基づいている。
これは回転するライダーセンサーの物理的設計と動作原理を利用する。
生成されたメッシュ表面は、正規を推定し、その均質性を考慮して分割される。
セグメンテーション面は、ロボット活動環境における物体の幾何学的正確なモデルを予測するための提案として使用できる。
提案手法は, 精度と速度の観点で有効性を強調するために, 一般的なポイントクラウドセグメンテーション手法と比較した。
関連論文リスト
- Exploiting Local Features and Range Images for Small Data Real-Time Point Cloud Semantic Segmentation [4.02235104503587]
本稿では,3次元表現から得られる情報を利用して局所的な特徴を巧みにとらえる。
GPUベースのKDTreeは、素早いビルド、クエリ、プロジェクションの強化を、簡単な操作で実現している。
我々は,本モデルの縮小バージョンが,本格的な最先端モデルに対して強い競争力を示すだけでなく,リアルタイムに動作することを示す。
論文 参考訳（メタデータ） (2024-10-14T13:49:05Z) - PointRegGPT: Boosting 3D Point Cloud Registration using Generative Point-Cloud Pairs for Training [90.06520673092702]
生成点クラウドペアを用いた3Dポイントクラウドの登録をトレーニングのために促進するPointRegGPTを提案する。
我々の知る限り、これは屋内のクラウド登録のためのリアルなデータ生成を探求する最初の生成的アプローチである。
論文 参考訳（メタデータ） (2024-07-19T06:29:57Z) - PointOcc: Cylindrical Tri-Perspective View for Point-based 3D Semantic
Occupancy Prediction [72.75478398447396]
本稿では,点雲を効果的かつ包括的に表現する円筒型三重対視図を提案する。
また,LiDAR点雲の距離分布を考慮し,円筒座標系における三点ビューを構築した。
プロジェクション中に構造の詳細を維持するために空間群プーリングを使用し、各TPV平面を効率的に処理するために2次元バックボーンを採用する。
論文 参考訳（メタデータ） (2023-08-31T17:57:17Z) - Quadric Representations for LiDAR Odometry, Mapping and Localization [93.24140840537912]
現在のLiDARオードメトリ、マッピング、ローカライズ手法は、3Dシーンのポイントワイズ表現を利用する。
3次元オブジェクトのよりコンパクトな表現である2次元曲面を用いたシーン記述法を提案する。
提案手法は低レイテンシとメモリの有効性を維持しつつ、競争力があり、しかも精度も優れている。
論文 参考訳（メタデータ） (2023-04-27T13:52:01Z) - Object-level 3D Semantic Mapping using a Network of Smart Edge Sensors [25.393382192511716]
我々は,分散エッジセンサのネットワークとオブジェクトレベルの情報からなる多視点3次元意味マッピングシステムを拡張した。
提案手法は,数cm以内でのポーズ推定と,実験室環境におけるセンサネットワークを用いた実環境実験により,Behaveデータセットを用いて評価した。
論文 参考訳（メタデータ） (2022-11-21T11:13:08Z) - GPCO: An Unsupervised Green Point Cloud Odometry Method [64.86292006892093]
軽量な点状クラウド・オドメトリー法を提案し, GPCO法と名付けた。
GPCOは、連続点雲スキャンの特徴と一致することによって物体の動きを予測する教師なし学習法である。
GPCOは、モデルサイズが大幅に小さく、トレーニング時間も少ないのに対して、ディープラーニング手法のベンチマークを精度で上回ることが観察された。
論文 参考訳（メタデータ） (2021-12-08T00:24:03Z) - Learning Semantic Segmentation of Large-Scale Point Clouds with Random
Sampling [52.464516118826765]
我々はRandLA-Netを紹介した。RandLA-Netは、大規模ポイントクラウドのポイントごとの意味を推論する、効率的で軽量なニューラルネットワークアーキテクチャである。
我々のアプローチの鍵は、より複雑な点選択アプローチではなく、ランダムな点サンプリングを使用することである。
我々のRandLA-Netは、既存のアプローチよりも最大200倍高速な1回のパスで100万ポイントを処理できます。
論文 参考訳（メタデータ） (2021-07-06T05:08:34Z) - A Fast Point Cloud Ground Segmentation Approach Based on Coarse-To-Fine
Markov Random Field [0.32546166337127946]
粗いマルコフ確率場(MRF)法に基づく高速点雲場分割手法を提案する。
提案手法は, 地盤のセグメンテーション精度の点で他のアルゴリズムよりも優れていることを示した。
論文 参考訳（メタデータ） (2020-11-26T06:07:24Z) - Semantic Segmentation of Surface from Lidar Point Cloud [15.882128188732016]
Lidarセンサーは、ポイントクラウドのフォーマットで、環境のほぼ正確な3Dマップをリアルタイムで生成することができる。
データはSLAMに関連する情報を抽出するのに適していますが、ポイントクラウドでの何百万ポイントの処理は非常に高価です。
提案手法では,クラウドから意味的にラベル付けされた表面セグメントをリアルタイムで抽出できる高速アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-09-13T13:06:26Z) - Local Grid Rendering Networks for 3D Object Detection in Point Clouds [98.02655863113154]
CNNは強力だが、全点の雲を高密度の3Dグリッドに酸化した後、点データに直接畳み込みを適用するのは計算コストがかかる。
入力点のサブセットの小さな近傍を低解像度の3Dグリッドに独立してレンダリングする,新しい,原理化されたローカルグリッドレンダリング(LGR)演算を提案する。
ScanNetとSUN RGB-Dデータセットを用いた3次元オブジェクト検出のためのLGR-Netを検証する。
論文 参考訳（メタデータ） (2020-07-04T13:57:43Z)
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。