Fugu-MT 論文翻訳(概要): Compute-Bound and Low-Bandwidth Distributed 3D Graph-SLAM

論文の概要: Compute-Bound and Low-Bandwidth Distributed 3D Graph-SLAM

arxiv url: http://arxiv.org/abs/2005.10222v1
Date: Wed, 20 May 2020 17:39:55 GMT
ステータス: 処理完了
システム内更新日: 2022-12-01 05:39:03.089643
Title: Compute-Bound and Low-Bandwidth Distributed 3D Graph-SLAM
Title（参考訳）: 計算境界と低帯域分散3次元グラフSLAM
Authors: Jincheng Zhang, Andrew R. Willis and Jamie Godwin
Abstract要約: 本稿では,分散3次元SLAMマップ構築のための新しいアプローチについて述べる。この記事では、分散グラフ-SLAMマップ構築アーキテクチャの作成について論じる。
参考スコア（独自算出の注目度）: 1.0435741631709405
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This article describes a new approach for distributed 3D SLAM map building. The key contribution of this article is the creation of a distributed graph-SLAM map-building architecture responsive to bandwidth and computational needs of the robotic platform. Responsiveness is afforded by the integration of a 3D point cloud to plane cloud compression algorithm that approximates dense 3D point cloud using local planar patches. Compute bound platforms may restrict the computational duration of the compression algorithm and low-bandwidth platforms can restrict the size of the compression result. The backbone of the approach is an ultra-fast adaptive 3D compression algorithm that transforms swaths of 3D planar surface data into planar patches attributed with image textures. Our approach uses DVO SLAM, a leading algorithm for 3D mapping, and extends it by computationally isolating map integration tasks from local Guidance, Navigation, and Control tasks and includes an addition of a network protocol to share the compressed plane clouds. The joint effect of these contributions allows agents with 3D sensing capabilities to calculate and communicate compressed map information commensurate with their onboard computational resources and communication channel capacities. This opens SLAM mapping to new categories of robotic platforms that may have computational and memory limits that prohibit other SLAM solutions.
Abstract（参考訳）: 本稿では,分散3次元SLAMマップ構築のための新しいアプローチについて述べる。本稿の重要な貢献は、ロボットプラットフォームの帯域幅と計算要求に応答する分散グラフ-SLAMマップ構築アーキテクチャの作成である。応答性は3dポイントクラウドと平面クラウド圧縮アルゴリズムの統合によって実現され、局所平面パッチを用いて密度の高い3dポイントクラウドを近似する。計算境界プラットフォームは圧縮アルゴリズムの計算時間を制限することができ、低帯域プラットフォームは圧縮結果のサイズを制限することができる。このアプローチのバックボーンは、超高速適応型3d圧縮アルゴリズムで、3d平面表面データのスワスを画像テクスチャによる平面パッチに変換する。提案手法では,dvo slamを用いた3dマッピングのためのリーディングアルゴリズムを用いて,地図統合タスクを局所的誘導,ナビゲーション,制御タスクから計算的に分離し,圧縮面のクラウドを共有するためのネットワークプロトコルを追加して拡張する。これらの貢献により、3dセンシング能力を持つエージェントは、搭載された計算リソースと通信チャネル容量で、圧縮地図情報を計算し、通信することができる。これにより、SLAMのマッピングを、他のSLAMソリューションを禁止した計算およびメモリ制限を持つ新しいロボットプラットフォームに開放する。

関連論文リスト

MinkUNeXt: Point Cloud-based Large-scale Place Recognition using 3D Sparse Convolutions [1.124958340749622]
MinkUNeXtは、新しい3D MinkNeXt Blockをベースとした、ポイントクラウドからの位置認識のための効率的かつ効率的なアーキテクチャである。提案の徹底的な評価は、Oxford RobotCarとIn-houseデータセットを用いて行われている。
論文参考訳（メタデータ） (2024-03-12T12:25:54Z)
3D Point Cloud Compression with Recurrent Neural Network and Image Compression Methods [0.0]
多くのAVアプリケーションでは、LiDARポイントクラウドデータの保存と送信が不可欠である。データの幅と秩序のない構造のため、ポイントクラウドデータを低ボリュームに圧縮することは困難である。圧縮アルゴリズムが空間相関を効率的に活用できる新しい3D-to-2D変換を提案する。
論文参考訳（メタデータ） (2024-02-18T19:08:19Z)
SeMLaPS: Real-time Semantic Mapping with Latent Prior Networks and Quasi-Planar Segmentation [53.83313235792596]
本稿では,RGB-Dシーケンスからのリアルタイム意味マッピングのための新しい手法を提案する。 2DニューラルネットワークとSLAMシステムに基づく3Dネットワークと3D占有マッピングを組み合わせる。本システムは,2D-3Dネットワークベースシステムにおいて,最先端のセマンティックマッピング品質を実現する。
論文参考訳（メタデータ） (2023-06-28T22:36:44Z)
4DSR-GCN: 4D Video Point Cloud Upsampling using Graph Convolutional Networks [29.615723135027096]
圧縮後の3次元ビデオポイント雲のアップスケーリングと復元のための新しいソリューションを提案する。我々のモデルは、動的エッジ畳み込みとグラフ注意ネットワークを組み合わせた、特別に設計されたグラフ畳み込みネットワーク(GCN)で構成されている。
論文参考訳（メタデータ） (2023-06-01T18:43:16Z)
DSVT: Dynamic Sparse Voxel Transformer with Rotated Sets [95.84755169585492]
本研究では,屋外3次元知覚のためのシングルストライドウィンドウベースのボクセルトランスであるDynamic Sparse Voxel Transformer (DSVT)を提案する。本モデルでは,3次元認識タスクを多岐にわたって行うことにより,最先端の性能を実現する。
論文参考訳（メタデータ） (2023-01-15T09:31:58Z)
Mesh Convolution with Continuous Filters for 3D Surface Parsing [101.25796935464648]
本稿では、3次元トライアングルメッシュから効果的な幾何学的特徴学習のための一連のモジュラー演算を提案する。メッシュ畳み込みは球面調和を正規直交基底として利用し、連続畳み込みフィルタを生成する。さらに,PicassoNet++という3次元表面の知覚解析のための新しい階層型ニューラルネットワークを提案する。
論文参考訳（メタデータ） (2021-12-03T09:16:49Z)
ASH: A Modern Framework for Parallel Spatial Hashing in 3D Perception [91.24236600199542]
ASHは、GPU上の並列空間ハッシュのためのモダンで高性能なフレームワークである。 ASHはより高いパフォーマンスを実現し、よりリッチな機能をサポートし、より少ないコード行を必要とする。 ASHとそのサンプルアプリケーションはOpen3Dでオープンソース化されている。
論文参考訳（メタデータ） (2021-10-01T16:25:40Z)
SparsePipe: Parallel Deep Learning for 3D Point Clouds [7.181267620981419]
SparsePipeは、ポイントクラウドなどの3Dスパースデータをサポートする。入力データを複数のプロセッサに分割するバッチ内並列処理を利用する。我々は、SparsePipeが効果的に並列化でき、現在のクラウドベンチマークでより良いパフォーマンスを得ることができることを示す。
論文参考訳（メタデータ） (2020-12-27T01:47:09Z)
KAPLAN: A 3D Point Descriptor for Shape Completion [80.15764700137383]
KAPLANは、一連の2D畳み込みを通じて局所的な形状情報を集約する3Dポイント記述子である。各平面において、正規点や平面間距離のような点特性は2次元グリッドに集約され、効率的な2次元畳み込みエンコーダを持つ特徴表現に抽象化される。公開データセットの実験では、KAPLANが3D形状の完成のために最先端のパフォーマンスを達成することが示されている。
論文参考訳（メタデータ） (2020-07-31T21:56:08Z)
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)
Maplets: An Efficient Approach for Cooperative SLAM Map Building Under Communication and Computation Constraints [0.8499685241219366]
本稿では,大規模・近地・地下・屋内空間の協力的探索とマッピングを容易にするためのアプローチを紹介する。この取り組みは、必要な通信と冗長な処理を制限することを重視したサイズ、重量、パワー(SWaP)エージェントを限定的にターゲットとしている。
論文参考訳（メタデータ） (2020-05-20T18:49:31Z)

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。