論文の概要: Semantic Histogram Based Graph Matching for Real-Time Multi-Robot Global Localization in Large Scale Environment

• arxiv url: http://arxiv.org/abs/2010.09297v2
• Date: Wed, 24 Feb 2021 09:51:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-05 22:51:18.646787
• Title: Semantic Histogram Based Graph Matching for Real-Time Multi-Robot Global Localization in Large Scale Environment
• Title（参考訳）: 大規模環境におけるリアルタイムマルチロボットグローバルローカライズのための意味的ヒストグラムに基づくグラフマッチング
• Authors: Xiyue Guo, Junjie Hu, Junfeng Chen, Fuqin Deng, Tin Lun Lam
• Abstract要約: 本稿では,視点変化に頑健な意味ヒストグラムに基づくグラフマッチング手法を提案し,リアルタイムなグローバルなローカライゼーションを実現する。 我々のアプローチはランダムウォークベースのセマンティック記述子よりも約30倍高速です。 これは、グローバルなローカライゼーションにおいて95%の精度を達成する一方、最先端手法の精度は85%である。
• 参考スコア（独自算出の注目度）: 18.128244946109795
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The core problem of visual multi-robot simultaneous localization and mapping (MR-SLAM) is how to efficiently and accurately perform multi-robot global localization (MR-GL). The difficulties are two-fold. The first is the difficulty of global localization for significant viewpoint difference. Appearance-based localization methods tend to fail under large viewpoint changes. Recently, semantic graphs have been utilized to overcome the viewpoint variation problem. However, the methods are highly time-consuming, especially in large-scale environments. This leads to the second difficulty, which is how to perform real-time global localization. In this paper, we propose a semantic histogram-based graph matching method that is robust to viewpoint variation and can achieve real-time global localization. Based on that, we develop a system that can accurately and efficiently perform MR-GL for both homogeneous and heterogeneous robots. The experimental results show that our approach is about 30 times faster than Random Walk based semantic descriptors. Moreover, it achieves an accuracy of 95% for global localization, while the accuracy of the state-of-the-art method is 85%.
• Abstract（参考訳）: 視覚的マルチロボット同時ローカライゼーションとマッピング(MR-SLAM)の課題は、マルチロボットグローバルローカライゼーション(MR-GL)を効率的に正確に行う方法にある。 困難は2つある。 第1は、重要な視点の違いに対するグローバルローカライゼーションの難しさである。 外観に基づくローカライズ手法は、大きな視点の変化で失敗する傾向がある。 近年,視点変動問題を克服するためにセマンティックグラフが用いられている。 しかし、特に大規模環境では非常に時間がかかります。 これは、リアルタイムのグローバルローカライズを実行する方法である、第2の難題につながる。 本稿では,視点変化に頑健で,リアルタイムなグローバルなローカライゼーションを実現する意味的ヒストグラムに基づくグラフマッチング手法を提案する。 そこで我々は,同種ロボットと異種ロボットの両方に対して,MR-GLを高精度かつ効率的に動作させるシステムを開発した。 実験の結果,提案手法はランダムウォークに基づくセマンティックディスクリプタよりも約30倍高速であることがわかった。 さらに、グローバルなローカライゼーションにおいて95%の精度を達成する一方、最先端手法の精度は85%である。

関連論文リスト

• L2G2G: a Scalable Local-to-Global Network Embedding with Graph Autoencoders [6.945992777272943]
  グラフ表現学習は、現実世界のネットワークを分析する一般的なツールである。 GAEはかなり正確だが、スケーラビリティの問題に悩まされている。 高速化のために、Local2Globalアプローチは高速で精度が良いことを示した。 本稿では,拡張性を犠牲にすることなくGAEの精度を向上させるLocal2Global法であるL2G2Gを提案する。
  論文  参考訳（メタデータ） (2024-02-02T18:24:37Z)
• GeoCLIP: Clip-Inspired Alignment between Locations and Images for Effective Worldwide Geo-localization [61.10806364001535]
  世界規模のジオローカライゼーションは、地球上のどこでも撮影された画像の正確な位置を特定することを目的としている。 既存のアプローチは、地球を離散的な地理的細胞に分割し、問題を分類タスクに変換する。 画像と対応するGPS位置のアライメントを強制する新しいCLIPにインスパイアされた画像-GPS検索手法であるGeoCLIPを提案する。
  論文  参考訳（メタデータ） (2023-09-27T20:54:56Z)
• Global-to-Local Modeling for Video-based 3D Human Pose and Shape Estimation [53.04781510348416]
  フレーム内精度とフレーム間スムーズさにより,映像に基づく3次元人間のポーズと形状推定を評価する。 エンドツーエンドフレームワークGLoT(Global-to-Local Transformer)における長期的・短期的相関のモデル化を構造的に分離することを提案する。 我々のGLoTは、一般的なベンチマーク(3DPW、MPI-INF-3DHP、Human3.6M)において、最も低いモデルパラメータを持つ従来の最先端の手法を上回る。
  論文  参考訳（メタデータ） (2023-03-26T14:57:49Z)
• RING++: Roto-translation Invariant Gram for Global Localization on a Sparse Scan Map [20.276334172402763]
  本稿では、位置認識のためのロト変換不変表現と、回転と翻訳の両方のグローバル収束を持つRing++を提案する。 理論的保証により、RING++はスパーススキャン付き軽量マップを使用して、大きな視点差に対処することができる。 これはスパーススキャンマップにおけるグローバルローカライゼーションのすべてのサブタスクに対処する初めての学習不要フレームワークである。
  論文  参考訳（メタデータ） (2022-10-12T07:49:24Z)
• Adaptive Local-Component-aware Graph Convolutional Network for One-shot Skeleton-based Action Recognition [54.23513799338309]
  骨格に基づく行動認識のための適応的局所成分認識グラフ畳み込みネットワークを提案する。 我々の手法はグローバルな埋め込みよりも強力な表現を提供し、我々のモデルが最先端に到達するのに役立ちます。
  論文  参考訳（メタデータ） (2022-09-21T02:33:07Z)
• Cross-modal Local Shortest Path and Global Enhancement for Visible-Thermal Person Re-Identification [2.294635424666456]
  本稿では,局所的特徴とグローバル的特徴の同時学習に基づく2ストリームネットワークであるCM-LSP-GE(Cross-modal Local Shortest Path and Global Enhancement)モジュールを提案する。 2つの典型的なデータセットの実験結果は、我々のモデルは明らかに最先端の手法よりも優れていることを示している。
  論文  参考訳（メタデータ） (2022-06-09T10:27:22Z)
• Think Global, Act Local: Dual-scale Graph Transformer for Vision-and-Language Navigation [87.03299519917019]
  本稿では,2次元グラフ変換器 (DUET) を提案する。 我々は,グローバルな行動空間における効率的な探索を可能にするために,トポロジカルマップをオンザフライで構築する。 提案手法であるDUETは、目標指向の視覚・言語ナビゲーションベンチマークにおいて最先端の手法を著しく上回っている。
  論文  参考訳（メタデータ） (2022-02-23T19:06:53Z)
• Local2Global: A distributed approach for scaling representation learning on graphs [10.254620252788776]
  本稿では,グラフ表現学習における分散型「ローカル2言語」アプローチを提案する。 提案手法は,エッジ再構築におけるスケールと精度の良好なトレードオフと半教師付き分類を実現する。 また、異常検出の下流タスクについても検討し、ローカル2globalを使ってサイバーセキュリティネットワークの異常を強調できることを示す。
  論文  参考訳（メタデータ） (2022-01-12T23:00:22Z)
• Tackling the Local Bias in Federated Graph Learning [48.887310972708036]
  フェデレーショングラフ学習(FGL)では、グローバルグラフは異なるクライアントに分散し、各クライアントがサブグラフを保持する。 既存のFGL手法では、クロスクライアントエッジを効果的に活用できず、トレーニング中に構造情報が失われる。 集中型環境で訓練されたモデルと類似した局所モデルを作成するための新しいFGLフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-10-22T08:22:36Z)
• Local2Global: Scaling global representation learning on graphs via local training [6.292766967410996]
  本稿では,グラフ表現学習のための分散型「ローカル2言語」アプローチを提案する。 パッチ毎に局所表現を個別に訓練し、局所表現をグローバルに一貫した表現に組み合わせる。 中規模データセットの予備的な結果が期待でき、グローバルに訓練された埋め込みに匹敵するローカル2グロバルのグラフ再構成性能が期待できる。
  論文  参考訳（メタデータ） (2021-07-26T14:08:31Z)
• Inter-Image Communication for Weakly Supervised Localization [77.2171924626778]
  弱教師付きローカライゼーションは、画像レベルの監督のみを使用して対象対象領域を見つけることを目的としている。 我々は,より正確な物体位置を学習するために,異なる物体間の画素レベルの類似性を活用することを提案する。 ILSVRC検証セット上でトップ1のローカライズ誤差率45.17%を達成する。
  論文  参考訳（メタデータ） (2020-08-12T04:14:11Z)

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。