論文の概要: Good Graph to Optimize: Cost-Effective, Budget-Aware Bundle Adjustment
in Visual SLAM
- arxiv url: http://arxiv.org/abs/2008.10123v1
- Date: Sun, 23 Aug 2020 22:41:35 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-26 03:22:44.604917
- Title: Good Graph to Optimize: Cost-Effective, Budget-Aware Bundle Adjustment
in Visual SLAM
- Title(参考訳): good graph to optimize: visual slamにおけるコスト効率と予算対応バンドル調整
- Authors: Yipu Zhao, Justin S. Smith, Patricio A. Vela
- Abstract要約: 本稿では,BAベースのVSLAMバックエンドにおけるローカルBAのコスト効率を向上させるための,新しい厳密な手法について述べる。
Good Graphと呼ばれる効率的なアルゴリズムは、ローカルBAに最適化されたサイズ再現グラフを条件保存で選択するために開発されている。
1) スタンドアロンプロセスとしてのVSLAMと,2) クローズドループナビゲーションシステムとしてのVSLAMの2つのシナリオで評価を行った。
- 参考スコア(独自算出の注目度): 23.1314351938387
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The cost-efficiency of visual(-inertial) SLAM (VSLAM) is a critical
characteristic of resource-limited applications. While hardware and algorithm
advances have been significantly improved the cost-efficiency of VSLAM
front-ends, the cost-efficiency of VSLAM back-ends remains a bottleneck. This
paper describes a novel, rigorous method to improve the cost-efficiency of
local BA in a BA-based VSLAM back-end. An efficient algorithm, called Good
Graph, is developed to select size-reduced graphs optimized in local BA with
condition preservation. To better suit BA-based VSLAM back-ends, the Good Graph
predicts future estimation needs, dynamically assigns an appropriate size
budget, and selects a condition-maximized subgraph for BA estimation.
Evaluations are conducted on two scenarios: 1) VSLAM as standalone process, and
2) VSLAM as part of closed-loop navigation system. Results from the first
scenario show Good Graph improves accuracy and robustness of VSLAM estimation,
when computational limits exist. Results from the second scenario, indicate
that Good Graph benefits the trajectory tracking performance of VSLAM-based
closed-loop navigation systems, which is a primary application of VSLAM.
- Abstract(参考訳): ビジュアル(慣性)SLAM(VSLAM)のコスト効率は、リソース制限されたアプリケーションの重要な特徴である。
ハードウェアとアルゴリズムの進歩はVSLAMフロントエンドのコスト効率を大幅に改善したが、VSLAMバックエンドのコスト効率は依然としてボトルネックとなっている。
本稿では,BAベースのVSLAMバックエンドにおけるローカルBAのコスト効率を向上させるための,新しい厳密な手法について述べる。
Good Graphと呼ばれる効率的なアルゴリズムは、ローカルBAに最適化されたサイズ再現グラフを条件保存で選択するために開発された。
BAベースのVSLAMバックエンドに合うように、Good Graphは将来の見積もりニーズを予測し、適切なサイズ予算を動的に割り当て、BA推定のための条件最大化サブグラフを選択する。
評価は2つのシナリオで行われる。
1)独立プロセスとしてのVSLAM,及び
2) 閉ループナビゲーションシステムの一部としてのVSLAM。
最初のシナリオでは、計算限界が存在する場合、グッドグラフはVSLAM推定の精度と堅牢性を改善する。
第2のシナリオから得られた結果は、よいグラフは、vslamの主要なアプリケーションである、vslamベースのクローズドループナビゲーションシステムの軌道追跡性能に有益であることを示している。
関連論文リスト
- An Automatic Graph Construction Framework based on Large Language Models for Recommendation [49.51799417575638]
本稿では,大規模言語モデルに基づく自動グラフ構築フレームワークであるAutoGraphを紹介する。
LLMはユーザ好みとアイテムの知識を推論し、セマンティックベクターとして符号化する。
潜在因子は、ユーザ/イテムノードをリンクする余分なノードとして組み込まれ、結果として、深いグローバルビューセマンティクスを持つグラフとなる。
論文 参考訳(メタデータ) (2024-12-24T07:51:29Z) - Model-based Causal Bayesian Optimization [74.78486244786083]
乗算重み付き因果ベイズ最適化のための最初のアルゴリズム(CBO-MW)を提案する。
グラフ関連の量に自然に依存するCBO-MWに対する後悔の限界を導出する。
我々の実験は、共有モビリティシステムにおいて、ユーザの需要パターンを学習するためにCBO-MWをどのように使用できるかの現実的なデモを含む。
論文 参考訳(メタデータ) (2023-07-31T13:02:36Z) - iSLAM: Imperative SLAM [5.135133301600283]
SLAMシステムは、しばしば、動き推定のためのフロントエンドコンポーネントと、推定ドリフトを除去するバックエンドシステムから構成される。
本稿では,フロントエンドとバックエンドの相互修正を促進する,命令型SLAMという,自己指導型命令型学習フレームワークを提案する。
実験の結果,iSLAMトレーニング戦略はベースラインモデルよりも平均22%の精度向上を実現していることがわかった。
論文 参考訳(メタデータ) (2023-06-13T16:39:39Z) - Keeping Less is More: Point Sparsification for Visual SLAM [1.370633147306388]
本研究では,SLAMシステムにおける地図点のスペース化のための効率的なグラフ最適化を提案する。
具体的には、最小コストの最大フローグラフ最適化問題として、最大ポーズ可視性と最大空間多様性問題を定式化する。
提案手法は既存のSLAMシステムの追加ステップとして機能し,従来のSLAMシステムと学習ベースのSLAMシステムの両方で使用することができる。
論文 参考訳(メタデータ) (2022-07-01T06:39:38Z) - Deep Equilibrium Optical Flow Estimation [80.80992684796566]
最近のSOTA(State-of-the-art)光フローモデルでは、従来のアルゴリズムをエミュレートするために有限ステップの更新操作を使用する。
これらのRNNは大きな計算とメモリオーバーヘッドを課し、そのような安定した推定をモデル化するために直接訓練されていない。
暗黙的層の無限レベル固定点として直接流れを解く手法として,Deep equilibrium Flow estimatorを提案する。
論文 参考訳(メタデータ) (2022-04-18T17:53:44Z) - RL-PGO: Reinforcement Learning-based Planar Pose-Graph Optimization [1.4884785898657995]
本稿では,最新のDeep Reinforcement Learning (DRL) ベースの環境と2次元ポーズグラフ最適化のためのエージェントを提案する。
本研究では、ポーズグラフ最適化問題を部分的に観測可能な決定プロセスとしてモデル化し、実世界および合成データセットの性能を評価することを実証する。
論文 参考訳(メタデータ) (2022-02-26T20:10:14Z) - GMFlow: Learning Optical Flow via Global Matching [124.57850500778277]
光フロー推定学習のためのGMFlowフレームワークを提案する。
機能拡張のためのカスタマイズトランスフォーマー、グローバル機能マッチングのための相関層とソフトマックス層、フロー伝搬のための自己保持層である。
我々の新しいフレームワークは、挑戦的なSintelベンチマークにおいて、32項目RAFTのパフォーマンスより優れています。
論文 参考訳(メタデータ) (2021-11-26T18:59:56Z) - Dynamic Iterative Refinement for Efficient 3D Hand Pose Estimation [87.54604263202941]
本稿では,従来の推定値の修正に部分的レイヤを反復的に活用する,小さなディープニューラルネットワークを提案する。
学習したゲーティング基準を用いて、ウェイトシェアリングループから抜け出すかどうかを判断し、モデルにサンプルごとの適応を可能にする。
提案手法は,広く使用されているベンチマークの精度と効率の両面から,最先端の2D/3Dハンドポーズ推定手法より一貫して優れている。
論文 参考訳(メタデータ) (2021-11-11T23:31:34Z) - Greedy-Based Feature Selection for Efficient LiDAR SLAM [12.257338124961622]
本論文では,L-SLAMシステムの精度と効率を,機能のサブセットを積極的に選択することで大幅に向上できることを実証する。
提案手法は,最先端のL-SLAMシステムと比較して,ローカライズ誤差と高速化が低いことを示す。
論文 参考訳(メタデータ) (2021-03-24T11:03:16Z) - Zeroth-Order Hybrid Gradient Descent: Towards A Principled Black-Box
Optimization Framework [100.36569795440889]
この作業は、一階情報を必要としない零次最適化(ZO)の反復である。
座標重要度サンプリングにおける優雅な設計により,ZO最適化法は複雑度と関数クエリコストの両面において効率的であることを示す。
論文 参考訳(メタデータ) (2020-12-21T17:29:58Z) - RISE-SLAM: A Resource-aware Inverse Schmidt Estimator for SLAM [7.388000129690679]
視覚-慣性同時ローカライズ・マッピング(SLAM)のためのRISE-SLAMアルゴリズムを提案する。
線形メモリ要件と調整可能な処理コストを有する情報領域に一貫した新しい近似手法を導出する。
特に、リソースを意識した逆シュミット推定器(RISE)は、計算効率のトレーディング推定精度を実現する。
論文 参考訳(メタデータ) (2020-11-23T21:10:32Z)
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。