論文の概要: Graph-based Proprioceptive Localization Using a Discrete Heading-Length
Feature Sequence Matching Approach
- arxiv url: http://arxiv.org/abs/2005.13704v1
- Date: Wed, 27 May 2020 23:10:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-28 09:43:16.722892
- Title: Graph-based Proprioceptive Localization Using a Discrete Heading-Length
Feature Sequence Matching Approach
- Title（参考訳）: 離散長特徴系列マッチングを用いたグラフベース固有受容位置推定
- Authors: Hsin-Min Cheng and Dezhen Song
- Abstract要約: Proprioceptive Localizationは、新しいタイプのロボットエゴセントリックなローカライゼーション手法を指す。
これらの方法は自然に悪天候、照明条件、その他の極端な環境条件に免疫がある。
環境条件の厳しい環境条件下で、ローカライゼーションのための低コストなフォールバックソリューションを提供する。
- 参考スコア（独自算出の注目度）: 14.356113113268389
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Proprioceptive localization refers to a new class of robot egocentric
localization methods that do not rely on the perception and recognition of
external landmarks. These methods are naturally immune to bad weather, poor
lighting conditions, or other extreme environmental conditions that may hinder
exteroceptive sensors such as a camera or a laser ranger finder. These methods
depend on proprioceptive sensors such as inertial measurement units (IMUs)
and/or wheel encoders. Assisted by magnetoreception, the sensors can provide a
rudimentary estimation of vehicle trajectory which is used to query a prior
known map to obtain location. Named as graph-based proprioceptive localization
(GBPL), we provide a low cost fallback solution for localization under
challenging environmental conditions. As a robot/vehicle travels, we extract a
sequence of heading-length values for straight segments from the trajectory and
match the sequence with a pre-processed heading-length graph (HLG) abstracted
from the prior known map to localize the robot under a graph-matching approach.
Using the information from HLG, our location alignment and verification module
compensates for trajectory drift, wheel slip, or tire inflation level. We have
implemented our algorithm and tested it in both simulated and physical
experiments. The algorithm runs successfully in finding robot location
continuously and achieves localization accurate at the level that the prior map
allows (less than 10m).
- Abstract（参考訳）: 原始受容的ローカライゼーション(Proprioceptive Localization)とは、外部のランドマークの認識や認識に依存しない、ロボット中心の新たなタイプのローカライゼーション手法である。
これらの方法は、悪天候、照明条件の悪さ、またはカメラやレーザーレンジャーファインダーのような過酷なセンサーを阻害するその他の極端な環境条件に自然に免疫する。
これらの方法は慣性測定単位(imus)や車輪エンコーダなどの固有受容センサに依存する。
磁気受容の支援により、センサは、事前の既知の地図を照会して位置を取得するために使用される車両軌道の基本的な推定を提供することができる。
グラフベースプロピロセプティブローカライゼーション (GBPL) として, 環境条件下でのローカライゼーションのための低コストなフォールバックソリューションを提供する。
ロボット/車両が走行する際には,軌道から直線区間の行長値列を抽出し,その列を既知の地図から抽象化した処理済みの行長グラフ(HLG)とマッチングして,グラフマッチング手法でロボットをローカライズする。
HLGからの情報を用いて、位置アライメントと検証モジュールは、軌道ドリフト、ホイールスリップ、タイヤインフレーションレベルを補償します。
我々はアルゴリズムを実装し、シミュレーションと物理実験の両方でテストした。
このアルゴリズムは、ロボットの位置を連続的に検出し、先行マップが許すレベル(10m未満)で正確な位置決めを実現する。
関連論文リスト
- PRISM-TopoMap: Online Topological Mapping with Place Recognition and Scan Matching [42.74395278382559]
本稿では,局所的な位置のグラフを保持するトポロジカルマッピング手法であるPRISM-TopoMapを紹介する。
提案手法は,ローカライゼーションとループ閉鎖のためのスキャンマッチングパイプラインと組み合わせた学習可能なマルチモーダル位置認識を含む。
提案手法の広範な実験的評価を,写真実写環境および実ロボット上で行った。
論文 参考訳（メタデータ） (2024-04-02T06:25:16Z) - Deep Homography Estimation for Visual Place Recognition [49.235432979736395]
本稿では,変換器を用いたディープホモグラフィー推定(DHE)ネットワークを提案する。
バックボーンネットワークによって抽出された濃密な特徴写像を入力とし、高速で学習可能な幾何的検証のためにホモグラフィーに適合する。
ベンチマークデータセットを用いた実験により,本手法はいくつかの最先端手法より優れていることが示された。
論文 参考訳（メタデータ） (2024-02-25T13:22:17Z) - UnLoc: A Universal Localization Method for Autonomous Vehicles using
LiDAR, Radar and/or Camera Input [51.150605800173366]
UnLocは、全ての気象条件におけるマルチセンサー入力によるローカライズのための、新しい統一型ニューラルネットワークアプローチである。
本手法は,Oxford Radar RobotCar,Apollo SouthBay,Perth-WAの各データセットで広く評価されている。
論文 参考訳（メタデータ） (2023-07-03T04:10:55Z) - Energy-Based Models for Cross-Modal Localization using Convolutional
Transformers [52.27061799824835]
GPSのない衛星画像に対して、距離センサを搭載した地上車両を位置決めする新しい枠組みを提案する。
本稿では, 畳み込み変換器を用いて, 高精度な計量レベルの局所化を行う手法を提案する。
我々は、エンドツーエンドでモデルをトレーニングし、KITTI、Pandaset、カスタムデータセットの最先端技術よりも高い精度でアプローチを実証する。
論文 参考訳（メタデータ） (2023-06-06T21:27:08Z) - Point Cloud Forecasting as a Proxy for 4D Occupancy Forecasting [58.45661235893729]
有望な自己管理タスクの1つは、注釈のないLiDARシーケンスからの3Dポイントクラウド予測である。
本課題は,(1)センサ外在物(自動運転車の移動),(2)センサ内在物(特定のLiDARセンサに特有のサンプリングパターン),(3)シーン内の他の物体の形状と動きを暗黙的にキャプチャするアルゴリズムを必要とすることを示す。
センサ外在性および内在性に関する4D占有率予測のポイントクラウドデータをレンダリングすることにより、注釈のないLiDARシーケンスで占有率アルゴリズムをトレーニングし、テストすることができる。
論文 参考訳（メタデータ） (2023-02-25T18:12:37Z) - HPointLoc: Point-based Indoor Place Recognition using Synthetic RGB-D
Images [58.720142291102135]
本稿では,屋内環境における視覚的位置認識能力の探索を目的とした,HPointLocという新しいデータセットを提案する。
データセットは人気のあるHabitatシミュレータに基づいており、独自のセンサーデータとオープンデータセットの両方を使用して屋内シーンを生成することができる。
論文 参考訳（メタデータ） (2022-12-30T12:20:56Z) - Visual Cross-View Metric Localization with Dense Uncertainty Estimates [11.76638109321532]
本研究は、屋外ロボティクスにおける視覚的クロスビューメトリックローカライゼーションに対処する。
地上レベルのカラー画像と局地的な環境を含む衛星パッチが与えられた場合、衛星パッチ内の地上カメラの位置を特定することが課題である。
我々は、より高密度な衛星記述子、ボトルネックにおける類似性マッチング、およびマルチモーダルなローカライゼーションの曖昧さを捉えるための出力としての密度空間分布を備えた新しいネットワークアーキテクチャを考案した。
論文 参考訳（メタデータ） (2022-08-17T20:12:23Z) - Robot Localization and Navigation through Predictive Processing using
LiDAR [0.0]
本稿では,レーザーセンサを用いた位置認識とナビゲーションに応用した,予測処理にインスパイアされたアプローチの実証について述べる。
我々は自己教師型学習を通してレーザ生成モデルを学び、オンライン状態推定とナビゲーションの両方を行う。
その結果,オドメトリーの欠如による粒子フィルタとの比較では,状態推定性能が向上した。
論文 参考訳（メタデータ） (2021-09-09T09:58:00Z) - OctoPath: An OcTree Based Self-Supervised Learning Approach to Local
Trajectory Planning for Mobile Robots [0.0]
我々は,エンコーダ・デコーダ・ディープニューラルネットワークであるOctoPathを導入し,エゴ車両の最適軌道を予測するための自己教師型訓練を行った。
トレーニング中、OctoPathは、所定のトレーニングデータセット内の予測と手動で駆動するトラジェクトリ間のエラーを最小限にする。
我々は,室内と屋外の異なる運転シナリオにおけるOctoPathの予測を,ベースラインハイブリッドA-Starアルゴリズムに対してベンチマークしながら評価した。
論文 参考訳（メタデータ） (2021-06-02T07:10:54Z) - LatentSLAM: unsupervised multi-sensor representation learning for
localization and mapping [7.857987850592964]
低次元潜在状態記述子を生成する教師なし表現学習手法を提案する。
本手法はセンサ非依存であり,任意のセンサモダリティに適用可能である。
複数のセンサを組み合わせることで、偽の一致数を減らすことで堅牢性が向上することを示す。
論文 参考訳（メタデータ） (2021-05-07T13:44:32Z) - Rethinking Localization Map: Towards Accurate Object Perception with
Self-Enhancement Maps [78.2581910688094]
本研究は, カテゴリーラベルのみを監督として, 正確な対象位置分布マップと対象境界を抽出する, 新たな自己強調手法を提案する。
特に、提案されたセルフエンハンスメントマップは、ILSVRC上で54.88%の最先端のローカライゼーション精度を達成する。
論文 参考訳（メタデータ） (2020-06-09T12:35:55Z)
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。