論文の概要: Map-Based Temporally Consistent Geolocalization through Learning Motion
Trajectories
- arxiv url: http://arxiv.org/abs/2010.06117v1
- Date: Tue, 13 Oct 2020 02:08:45 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-08 00:32:51.690260
- Title: Map-Based Temporally Consistent Geolocalization through Learning Motion
Trajectories
- Title(参考訳): 運動軌跡の学習による地図に基づく時間的地理的局所化
- Authors: Bing Zha, Alper Yilmaz
- Abstract要約: 本稿では, トポロジカルマップ上での運動軌跡を利用したニューラルネットを用いた新しい軌跡学習手法を提案する。
ナビゲーションにおける自己運動の距離と方向の両方を認識できる人間の能力に触発されて,軌道学習法は,距離の列として符号化された軌道のパターン表現を学習し,角度を回転させて自己局所化を支援する。
- 参考スコア(独自算出の注目度): 0.5076419064097732
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we propose a novel trajectory learning method that exploits
motion trajectories on topological map using recurrent neural network for
temporally consistent geolocalization of object. Inspired by human's ability to
both be aware of distance and direction of self-motion in navigation, our
trajectory learning method learns a pattern representation of trajectories
encoded as a sequence of distances and turning angles to assist
self-localization. We pose the learning process as a conditional sequence
prediction problem in which each output locates the object on a traversable
path in a map. Considering the prediction sequence ought to be topologically
connected in the graph-structured map, we adopt two different hypotheses
generation and elimination strategies to eliminate disconnected sequence
prediction. We demonstrate our approach on the KITTI stereo visual odometry
dataset which is a city-scale environment and can generate trajectory with
metric information. The key benefits of our approach to geolocalization are
that 1) we take advantage of powerful sequence modeling ability of recurrent
neural network and its robustness to noisy input, 2) only require a map in the
form of a graph and simply use an affordable sensor that generates motion
trajectory and 3) do not need initial position. The experiments show that the
motion trajectories can be learned by training an recurrent neural network, and
temporally consistent geolocation can be predicted with both of the proposed
strategies.
- Abstract(参考訳): 本稿では,物体の時間的一貫した局所化のために,リカレントニューラルネットワークを用いたトポロジカルマップ上の運動軌跡を利用した新しい軌道学習手法を提案する。
ナビゲーションにおける自己運動の方向と距離の両方を認識する人間の能力に触発されて、軌道学習法は、距離の列と回転角として符号化された軌道のパターン表現を学習し、自己局所化を支援する。
学習過程を条件付きシーケンス予測問題として、各出力が地図内のトラバース可能な経路上のオブジェクトを位置決めする。
予測列はグラフ構造マップにトポロジカルに連結されるべきであると考え,二つの異なる仮説の生成と除去戦略を採用し,切り離されたシーケンス予測を除去した。
我々は,都市規模の環境であり,メートル法情報を用いた軌道生成が可能なkittiステレオオドメトリデータセットのアプローチを実証する。
地理的ローカライゼーションに対する我々のアプローチの重要な利点は、
1)リカレントニューラルネットワークの強力なシーケンスモデリング能力とノイズ入力に対する堅牢性を利用する。
2) 図形の地図のみを必要とし、手頃な価格で動きの軌跡を生成するセンサを使用する。
3)初期位置は不要。
実験により,再帰的なニューラルネットワークを訓練することで運動軌跡を学習できることを示すとともに,提案された2つの戦略を用いて時間的に一貫した位置情報を予測できることを示した。
関連論文リスト
- Path Signatures and Graph Neural Networks for Slow Earthquake Analysis:
Better Together? [10.002197953627359]
我々は、グラフ畳み込みニューラルネットワーク(GCNN)に経路シグネチャを統合する新しいアプローチ、Path Signature Graph Convolutional Networks (PS-GCNN)を導入する。
本手法は,GPSの時系列データを利用して,スロースリップイベント(SSE)と呼ばれる地震の連続解析に応用する。
提案手法は,地震予知とセンサネットワーク解析の今後の進歩を示すものである。
論文 参考訳(メタデータ) (2024-02-05T22:16:05Z) - NNPP: A Learning-Based Heuristic Model for Accelerating Optimal Path Planning on Uneven Terrain [5.337162499594818]
本稿では,この縮小された検索空間内でのみ最適な経路をAstarのような基礎アルゴリズムで見つけることができるNNPPモデルを提案する。
NNPPモデルは、多くの事前注釈付き最適経路のデモから、スタート地点とゴール地点に関する情報とマップ表現を学習する。
新規地図上での経路計画のテキストカラー化が可能である。
論文 参考訳(メタデータ) (2023-08-09T08:31:05Z) - Active Semantic Localization with Graph Neural Embedding [1.3499500088995464]
本研究では,グラフニューラルローカライザと呼ばれる,軽量で完全にCPUベースのドメイン適応型セマンティックローカライゼーションフレームワークについて検討する。
本手法は,(1)局地的特徴と外見的特徴の相違を組み合わせたシーングラフ,(2)グラフデータの直接学習/認識を可能にするグラフニューラルネットワークの2つの新しい技術に着想を得たものである。
フォトリアリスティック・ハビタットシミュレータを用いて、自己教師あり学習と教師なしドメイン適応の2つのシナリオの実験を行い、提案手法の有効性を検証した。
論文 参考訳(メタデータ) (2023-05-10T13:45:42Z) - Neural Map Prior for Autonomous Driving [17.198729798817094]
高精細(HD)セマンティックマップは、自動運転車が都市環境をナビゲートするために不可欠である。
オフラインのHDマップを作成する従来の方法には、労働集約的な手動アノテーションプロセスが含まれる。
近年,オンラインセンサを用いた局所地図作成手法が提案されている。
本研究では,グローバルマップのニューラル表現であるニューラルマッププライオリティ(NMP)を提案する。
論文 参考訳(メタデータ) (2023-04-17T17:58:40Z) - ViKiNG: Vision-Based Kilometer-Scale Navigation with Geographic Hints [94.60414567852536]
長距離航法には、計画と局所的な移動可能性の推論の両方が必要である。
学習と計画を統合する学習に基づくアプローチを提案する。
ViKiNGは、画像ベースの学習コントローラを利用できる。
論文 参考訳(メタデータ) (2022-02-23T02:14:23Z) - Trajectory Prediction with Graph-based Dual-scale Context Fusion [43.51107329748957]
本稿では,Dual Scale Predictorというグラフベースの軌道予測ネットワークを提案する。
静的および動的駆動コンテキストを階層的にエンコードする。
提案したデュアルスケールコンテキスト融合ネットワークにより、DSPは正確で人間らしいマルチモーダル軌道を生成することができる。
論文 参考訳(メタデータ) (2021-11-02T13:42:16Z) - Spatial-Temporal Correlation and Topology Learning for Person
Re-Identification in Videos [78.45050529204701]
クロススケール空間時空間相関をモデル化し, 識別的, 堅牢な表現を追求する新しい枠組みを提案する。
CTLはCNNバックボーンとキーポイント推定器を使用して人体から意味的局所的特徴を抽出する。
グローバルな文脈情報と人体の物理的接続の両方を考慮して、多スケールグラフを構築するためのコンテキスト強化トポロジーを探求する。
論文 参考訳(メタデータ) (2021-04-15T14:32:12Z) - 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) - AutoTrajectory: Label-free Trajectory Extraction and Prediction from
Videos using Dynamic Points [92.91569287889203]
軌道抽出と予測のための新しいラベルなしアルゴリズムAutoTrajectoryを提案する。
動画中の移動物体をよりよく捉えるために,ダイナミックポイントを導入する。
ビデオ内の歩行者などの移動物体を表すインスタンスポイントに動的ポイントを集約する。
論文 参考訳(メタデータ) (2020-07-11T08:43:34Z) - Orientation Attentive Robotic Grasp Synthesis with Augmented Grasp Map
Representation [62.79160608266713]
物体の形態学的特徴は、ロボットの把握の視覚的学習を阻害する、幅広い可視的把握方向を提供する可能性がある。
既存のグリップ生成アプローチを呪い、グリップポイント毎に大きく異なる向きのアノテーションを集約することにより、不連続グリップマップを構築する。
そこで本研究では,角度空間を複数のビンに分割することで,方向を局所的に歪曲する,画素ワイズ合成に適した拡張型グリップマップ表現を提案する。
論文 参考訳(メタデータ) (2020-06-09T08:54:54Z) - Hallucinative Topological Memory for Zero-Shot Visual Planning [86.20780756832502]
視覚計画(VP)では、エージェントは、オフラインで取得した動的システムの観察から目標指向の振る舞いを計画することを学ぶ。
以前のVPに関するほとんどの研究は、学習された潜在空間で計画することでこの問題にアプローチし、結果として品質の低い視覚計画を生み出した。
本稿では,画像空間を直接計画し,競合性能を示すシンプルなVP手法を提案する。
論文 参考訳(メタデータ) (2020-02-27T18:54:42Z)
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。