論文の概要: A Survey on Deep Learning for Localization and Mapping: Towards the Age
of Spatial Machine Intelligence
- arxiv url: http://arxiv.org/abs/2006.12567v2
- Date: Mon, 29 Jun 2020 18:58:07 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-18 06:07:45.115524
- Title: A Survey on Deep Learning for Localization and Mapping: Towards the Age
of Spatial Machine Intelligence
- Title（参考訳）: 局所化とマッピングのための深層学習に関する調査--空間機械知能の時代に向けて
- Authors: Changhao Chen, Bing Wang, Chris Xiaoxuan Lu, Niki Trigoni, Andrew
Markham
- Abstract要約: 包括的調査を行い、深層学習を用いた局所化とマッピングのための新しい分類法を提案する。
オードメトリ推定、マッピング、グローバルローカライゼーション、同時ローカライゼーション、マッピングなど、幅広いトピックがカバーされている。
この研究がロボティクス、コンピュータビジョン、機械学習コミュニティの新たな成果を結び付けることを願っている。
- 参考スコア（独自算出の注目度）: 48.67755344239951
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep learning based localization and mapping has recently attracted
significant attention. Instead of creating hand-designed algorithms through
exploitation of physical models or geometric theories, deep learning based
solutions provide an alternative to solve the problem in a data-driven way.
Benefiting from ever-increasing volumes of data and computational power, these
methods are fast evolving into a new area that offers accurate and robust
systems to track motion and estimate scenes and their structure for real-world
applications. In this work, we provide a comprehensive survey, and propose a
new taxonomy for localization and mapping using deep learning. We also discuss
the limitations of current models, and indicate possible future directions. A
wide range of topics are covered, from learning odometry estimation, mapping,
to global localization and simultaneous localization and mapping (SLAM). We
revisit the problem of perceiving self-motion and scene understanding with
on-board sensors, and show how to solve it by integrating these modules into a
prospective spatial machine intelligence system (SMIS). It is our hope that
this work can connect emerging works from robotics, computer vision and machine
learning communities, and serve as a guide for future researchers to apply deep
learning to tackle localization and mapping problems.
- Abstract（参考訳）: ディープラーニングに基づくローカライゼーションとマッピングが最近注目されている。
物理モデルや幾何学理論を駆使して手作りのアルゴリズムを作る代わりに、ディープラーニングベースのソリューションは、データ駆動の方法で問題を解決する代替手段を提供する。
ますます増加するデータ量と計算能力から恩恵を受け、これらの手法は新しい領域に急速に進化し、動きを追跡し、現実のアプリケーションのためにシーンとそれらの構造を推定する正確で堅牢なシステムを提供している。
本研究では,包括的調査を行い,深層学習を用いた局所化とマッピングのための新しい分類法を提案する。
また,現在のモデルの限界についても議論し,今後の方向性を示唆する。
学習のオドメトリ推定、マッピング、グローバルローカライゼーション、同時ローカライゼーションとマッピング(slam)など、幅広いトピックがカバーされている。
我々は,車載センサを用いた自己運動とシーン理解の課題を再検討し,これらのモジュールをsmi(prospective spatial machine intelligence system)に統合することにより,その解決法を示す。
この研究がロボティクス、コンピュータビジョン、機械学習コミュニティの新たな成果と結びつき、将来の研究者が深層学習を応用してローカライゼーションやマッピングの問題に取り組むためのガイドとして役立てることを願っている。
関連論文リスト
- Learning Where to Look: Self-supervised Viewpoint Selection for Active Localization using Geometrical Information [68.10033984296247]
本稿では, 位置決めの精度を高めるために, 視点選択の重要性を強調し, アクティブな位置決め領域について検討する。
私たちのコントリビューションは、リアルタイム操作用に設計されたシンプルなアーキテクチャ、自己教師付きデータトレーニング方法、および実世界のロボティクスアプリケーションに適した計画フレームワークにマップを一貫して統合する能力による、データ駆動型アプローチの使用に関するものです。
論文 参考訳（メタデータ） (2024-07-22T12:32:09Z) - Domain Generalization through Meta-Learning: A Survey [6.524870790082051]
ディープニューラルネットワーク(DNN)は人工知能に革命をもたらしたが、アウト・オブ・ディストリビューション(OOD)データに直面すると、しばしばパフォーマンスが低下する。
本調査はメタラーニングの領域を掘り下げ,ドメインの一般化への貢献に焦点をあてたものである。
論文 参考訳（メタデータ） (2024-04-03T14:55:17Z) - Deep Learning for Trajectory Data Management and Mining: A Survey and Beyond [58.63558696061679]
軌道計算は、位置サービス、都市交通、公共安全など、様々な実用用途において重要である。
トラジェクトリ・コンピューティングのためのディープラーニング(DL4Traj)の開発と最近の進歩について概観する。
特に、軌道計算を増強する可能性を持つ大規模言語モデル(LLM)の最近の進歩をカプセル化する。
論文 参考訳（メタデータ） (2024-03-21T05:57:27Z) - Deep Learning for Visual Localization and Mapping: A Survey [45.20992113099714]
本稿では,総合的な調査を行い,深層学習を用いた局所化とマッピング手法の分類法を提案する。
この調査は、深層学習がローカライズとマッピングに有望であるかどうか、この問題を解決するために深層学習をどのように適用すべきかという2つの基本的な問題について議論することを目的としている。
論文 参考訳（メタデータ） (2023-08-27T08:25:00Z) - Semantic Segmentation of Vegetation in Remote Sensing Imagery Using Deep
Learning [77.34726150561087]
本稿では,公開されているリモートセンシングデータからなるマルチモーダル・大規模時間データセットを作成するためのアプローチを提案する。
我々は、異なる種類の植生を分離できる畳み込みニューラルネットワーク(CNN)モデルを使用する。
論文 参考訳（メタデータ） (2022-09-28T18:51:59Z) - Combining Commonsense Reasoning and Knowledge Acquisition to Guide Deep
Learning in Robotics [8.566457170664926]
本稿では,認知システムの研究からインスピレーションを得たアーキテクチャについて述べる。
ディープネットワークモデルは、ロボット工学とAIにおける多くのパターン認識と意思決定タスクに使用されている。
我々のアーキテクチャは意思決定の信頼性を改善し、データ駆動のディープネットワークモデルのトレーニングに関わる労力を削減する。
論文 参考訳（メタデータ） (2022-01-25T12:24:22Z) - Auxiliary-task learning for geographic data with autoregressive
embeddings [1.4823143667165382]
本研究では,空間データの自己回帰性に関する情報を学習プロセスに直接埋め込む手法であるSXLを提案する。
局所空間自己相関の一般的な尺度である局所モランIを用いて、局所空間効果の方向と大きさを学習する。
我々は,教師なしおよび教師なしの学習タスクにおいて,ニューラルネットワークのトレーニングを継続的に改善する方法について強調する。
論文 参考訳（メタデータ） (2020-06-18T12:16:08Z) - Neural Topological SLAM for Visual Navigation [112.73876869904]
意味論を生かし、近似幾何学的推論を行う空間のトポロジ的表現を設計する。
本稿では,ノイズのあるアクティベーションの下でそのような表現を構築し,維持し,使用することができる教師付き学習ベースアルゴリズムについて述べる。
論文 参考訳（メタデータ） (2020-05-25T17:56:29Z)
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。