論文の概要: Confidence-rich grid mapping
- arxiv url: http://arxiv.org/abs/2006.15754v1
- Date: Mon, 29 Jun 2020 00:21:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-15 15:07:12.882505
- Title: Confidence-rich grid mapping
- Title(参考訳): 信頼に富むグリッドマッピング
- Authors: Ali-akbar Agha-mohammadi, Eric Heiden, Karol Hausman, Gaurav S.
Sukhatme
- Abstract要約: 環境の表現は、未知の環境でロボットが自律的に行動できるようにするための基本的なタスクである。
空間グリッドを用いた3次元環境マッピングのための新しいアルゴリズムである信頼度豊かなマッピングを提案する。
実世界の実験において,従来の手法よりも精度の高い写像を実現することに加えて,提案手法は誤差と報告された信頼度との間の一貫性をはるかに高めることを示した。
- 参考スコア(独自算出の注目度): 19.530047371535147
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Representing the environment is a fundamental task in enabling robots to act
autonomously in unknown environments. In this work, we present confidence-rich
mapping (CRM), a new algorithm for spatial grid-based mapping of the 3D
environment. CRM augments the occupancy level at each voxel by its confidence
value. By explicitly storing and evolving confidence values using the CRM
filter, CRM extends traditional grid mapping in three ways: first, it partially
maintains the probabilistic dependence among voxels. Second, it relaxes the
need for hand-engineering an inverse sensor model and proposes the concept of
sensor cause model that can be derived in a principled manner from the forward
sensor model. Third, and most importantly, it provides consistent confidence
values over the occupancy estimation that can be reliably used in collision
risk evaluation and motion planning. CRM runs online and enables mapping
environments where voxels might be partially occupied. We demonstrate the
performance of the method on various datasets and environments in simulation
and on physical systems. We show in real-world experiments that, in addition to
achieving maps that are more accurate than traditional methods, the proposed
filtering scheme demonstrates a much higher level of consistency between its
error and the reported confidence, hence, enabling a more reliable collision
risk evaluation for motion planning.
- Abstract(参考訳): 環境の表現は、未知の環境でロボットが自律的に行動できるようにするための基本的なタスクである。
本研究では、3次元環境の空間的グリッドベースマッピングのための新しいアルゴリズムである信頼度リッチマッピング(crm)を提案する。
CRMは、各ボクセルの占有レベルをその信頼度によって増大させる。
CRMフィルタを使用して信頼性値を明示的に保存し、進化させることで、CRMは従来のグリッドマッピングを3つの方法で拡張する。
第2に、逆センサモデルを手作業で設計する必要性を緩和し、フォワードセンサモデルから原理的に導出可能なセンサ原因モデルの概念を提案する。
第3に、最も重要なことは、衝突リスク評価やモーションプランニングで確実に使用できる占有率推定よりも一貫した信頼度を提供することです。
CRMはオンラインで動作し、ボクセルが部分的に占有される可能性のあるマッピング環境を可能にする。
本手法は,シミュレーションおよび物理システムにおける各種データセットおよび環境上での性能を示す。
実世界実験では,従来の手法よりも精度の高いマップを実現することに加えて,提案手法は誤差と報告された信頼度との一貫性がはるかに高いことを示し,移動計画におけるより信頼性の高い衝突リスク評価を可能にする。
関連論文リスト
- Joint Sensing, Communication, and AI: A Trifecta for Resilient THz User
Experiences [118.91584633024907]
テラヘルツ(THz)無線システムに対する拡張現実(XR)体験を最適化するために、新しい共同センシング、通信、人工知能(AI)フレームワークを提案する。
論文 参考訳(メタデータ) (2023-04-29T00:39:50Z) - DuEqNet: Dual-Equivariance Network in Outdoor 3D Object Detection for
Autonomous Driving [4.489333751818157]
まず3次元物体検出ネットワークに等分散の概念を導入するDuEqNetを提案する。
我々のモデルの双対同変は、局所的および大域的両方の同変的特徴を抽出することができる。
本モデルでは, 配向精度が向上し, 予測効率が向上する。
論文 参考訳(メタデータ) (2023-02-27T08:30:02Z) - LOPR: Latent Occupancy PRediction using Generative Models [49.15687400958916]
LiDARの生成した占有グリッドマップ(L-OGM)は、頑丈な鳥の視線シーンを表現している。
本稿では,学習空間内での表現学習と予測という,占有率予測を分離する枠組みを提案する。
論文 参考訳(メタデータ) (2022-10-03T22:04:00Z) - Nonprehensile Riemannian Motion Predictive Control [57.295751294224765]
本稿では,リアル・ツー・シムの報酬分析手法を導入し,リアルなロボット・プラットフォームに対する行動の可能性を確実に予測する。
連続的なアクション空間でオブジェクトを反応的にプッシュするクローズドループコントローラを作成します。
我々は,RMPCが乱雑な環境だけでなく,乱雑な環境においても頑健であり,ベースラインよりも優れていることを観察した。
論文 参考訳(メタデータ) (2021-11-15T18:50:04Z) - PDC-Net+: Enhanced Probabilistic Dense Correspondence Network [161.76275845530964]
高度確率密度対応ネットワーク(PDC-Net+)は、精度の高い高密度対応を推定できる。
我々は、堅牢で一般化可能な不確実性予測に適したアーキテクチャと強化されたトレーニング戦略を開発する。
提案手法は,複数の挑戦的幾何マッチングと光学的フローデータセットに対して,最先端の結果を得る。
論文 参考訳(メタデータ) (2021-09-28T17:56:41Z) - Incremental learning of LSTM framework for sensor fusion in attitude
estimation [2.064612766965483]
本稿では,Long-Short Term Memory (LSTM) ネットワークの漸進的学習による3次元空間における物体の姿勢推定手法を提案する。
慣性センサデータはLSTMネットワークに送られ、徐々に更新され、実行時に発生する動作の動的変化を組み込む。
提案フレームワークは,高度に動的な環境であっても,従来の手法と比較して,結果を著しく改善する。
論文 参考訳(メタデータ) (2021-08-04T09:03:53Z) - IntentNet: Learning to Predict Intention from Raw Sensor Data [86.74403297781039]
本論文では,LiDARセンサが生成する3次元点群と,環境の動的なマップの両方を利用するワンステージ検出器と予測器を開発した。
当社のマルチタスクモデルは、それぞれの別々のモジュールよりも高い精度を実現し、計算を節約します。
論文 参考訳(メタデータ) (2021-01-20T00:31:52Z) - Risk-Sensitive Sequential Action Control with Multi-Modal Human
Trajectory Forecasting for Safe Crowd-Robot Interaction [55.569050872780224]
本稿では,リスクに敏感な最適制御に基づく安全な群集ロボットインタラクションのためのオンラインフレームワークを提案し,そのリスクをエントロピーリスク尺度でモデル化する。
私たちのモジュラーアプローチは、クラウドとロボットの相互作用を学習ベースの予測とモデルベースの制御に分離します。
シミュレーション研究と実世界の実験により、このフレームワークは、現場にいる50人以上の人間との衝突を避けながら、安全で効率的なナビゲーションを実現することができることが示された。
論文 参考訳(メタデータ) (2020-09-12T02:02:52Z) - Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for
Online Collision Avoidance [95.86944752753564]
本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。
我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。
本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
論文 参考訳(メタデータ) (2020-07-28T07:34:30Z)
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。