論文の概要: PSF-LO: Parameterized Semantic Features Based Lidar Odometry
- arxiv url: http://arxiv.org/abs/2010.13355v3
- Date: Thu, 25 Mar 2021 04:01:17 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-02 19:16:09.724587
- Title: PSF-LO: Parameterized Semantic Features Based Lidar Odometry
- Title（参考訳）: PSF-LO:パラメータ化セマンティック特徴に基づくライダーオドメトリー
- Authors: Guibin Chen, Bosheng Wang, Xiaoliang Wang, Huanjun Deng, Bing Wang,
Shuo Zhang
- Abstract要約: 自己設計型パラメータ化セマンティック特徴量(PSF)に基づく新しいセマンティック・ライダー・オドメトリー法を提案する。
まず、畳み込みニューラルネットワークに基づくアルゴリズムを用いて、入力されたレーザーポイントクラウドからポイントワイドセマンティクスを得る。
次に、セマンティックラベルを使用して道路、建物、交通標識、ポールのような点群を分離し、それらを個別に適合させて対応するPSFを得る。
- 参考スコア（独自算出の注目度）: 11.790290341366353
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Lidar odometry (LO) is a key technology in numerous reliable and accurate
localization and mapping systems of autonomous driving. The state-of-the-art LO
methods generally leverage geometric information to perform point cloud
registration. Furthermore, obtaining point cloud semantic information which can
describe the environment more abundantly will help for the registration. We
present a novel semantic lidar odometry method based on self-designed
parameterized semantic features (PSFs) to achieve low-drift ego-motion
estimation for autonomous vehicle in realtime. We first use a convolutional
neural network-based algorithm to obtain point-wise semantics from the input
laser point cloud, and then use semantic labels to separate the road, building,
traffic sign and pole-like point cloud and fit them separately to obtain
corresponding PSFs. A fast PSF-based matching enable us to refine geometric
features (GeFs) registration, reducing the impact of blurred submap surface on
the accuracy of GeFs matching. Besides, we design an efficient method to
accurately recognize and remove the dynamic objects while retaining static ones
in the semantic point cloud, which are beneficial to further improve the
accuracy of LO. We evaluated our method, namely PSF-LO, on the public dataset
KITTI Odometry Benchmark and ranked #1 among semantic lidar methods with an
average translation error of 0.82% in the test dataset at the time of writing.
- Abstract（参考訳）: ライダーオドメトリ(lidar odometry、lo)は、自動運転の信頼性が高く正確な位置推定とマッピングシステムにおいて重要な技術である。
最先端のLO法は一般に幾何情報を利用してポイントクラウド登録を行う。
さらに、環境をより豊富に記述できるポイントクラウドセマンティック情報を取得することは、登録に役立ちます。
本稿では,自律走行車に対する低自由度エゴモーション推定を実現するために,自己設計型パラメータ化セマンティック特徴(PSF)に基づく新しいセマンティックライダー・オドメトリー法を提案する。
まず,畳み込みニューラルネットワークに基づくアルゴリズムを用いて,入力レーザ点クラウドからポイントワイズ意味情報を取得し,次に意味ラベルを用いて道路,建物,交通標識,極状点クラウドを分離し,それらを分離して対応するpsfを得る。
高速なPSFベースのマッチングにより幾何学的特徴(GeF)の登録を洗練でき、GeFsマッチングの精度に対するぼやけたサブマップ表面の影響を低減できる。
さらに,静的なオブジェクトを意味点クラウドに保持しながら,動的オブジェクトを正確に認識・削除する効率的な手法を設計し,LOの精度をさらに向上させる。
筆者らは,公開データセットであるKITTI Odometry Benchmarkを用いてPSF-LOの評価を行い,テストデータセットの平均翻訳誤差が0.82%であったセマンティックライダー手法の1位にランクインした。
関連論文リスト
- Inferring Neural Signed Distance Functions by Overfitting on Single Noisy Point Clouds through Finetuning Data-Driven based Priors [53.6277160912059]
本稿では,データ駆動型およびオーバーフィット型手法のプロースを推進し,より一般化し,高速な推論を行い,より高精度なニューラルネットワークSDFを学習する手法を提案する。
そこで本研究では,距離管理やクリーンポイントクラウド,あるいは点正規化を伴わずに,データ駆動型プリエントを微調整できる新しい統計的推論アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-10-25T16:48:44Z) - Improved LiDAR Odometry and Mapping using Deep Semantic Segmentation and
Novel Outliers Detection [1.0334138809056097]
高速移動プラットフォームのためのLOAMアーキテクチャに基づくリアルタイムLiDARオドメトリーとマッピングのための新しいフレームワークを提案する。
本フレームワークは,ディープラーニングモデルによって生成された意味情報を用いて,ポイント・ツー・ラインとポイント・ツー・プレーンのマッチングを改善する。
高速動作に対するLiDARオドメトリーのロバスト性に及ぼすマッチング処理の改善効果について検討した。
論文 参考訳（メタデータ） (2024-03-05T16:53:24Z) - SAGE-ICP: Semantic Information-Assisted ICP [14.280779681381016]
本稿では,SAGE-ICPという新しい意味情報支援ICP手法を提案する。
スキャン全体の意味情報を3D畳み込みネットワークによりタイムリーかつ効率的に抽出する。
従来のセマンティック支援手法とは異なり,提案手法は大規模シーンにおける局所化精度を向上させることができる。
論文 参考訳（メタデータ） (2023-10-11T06:58:22Z) - SEM-GAT: Explainable Semantic Pose Estimation using Learned Graph
Attention [10.883346969896621]
本稿では,信頼度の高いポイントクラウド登録候補の識別を導くために,意味論と局所幾何学を利用したグラフニューラルネットワーク(GNN)に基づく手法を提案する。
環境のセマンティックおよび形態学的特徴は、登録のための重要な基準点として機能し、正確なライダーベースのポーズ推定を可能にする。
提案手法をKITTIオドメトリデータセット上でテストし,ベンチマーク手法と比較して競合精度が向上し,より少ないネットワークパラメータに依存しながら,トラックのスムーズさが向上した。
論文 参考訳（メタデータ） (2023-08-07T16:43:46Z) - GPCO: An Unsupervised Green Point Cloud Odometry Method [64.86292006892093]
軽量な点状クラウド・オドメトリー法を提案し, GPCO法と名付けた。
GPCOは、連続点雲スキャンの特徴と一致することによって物体の動きを予測する教師なし学習法である。
GPCOは、モデルサイズが大幅に小さく、トレーニング時間も少ないのに対して、ディープラーニング手法のベンチマークを精度で上回ることが観察された。
論文 参考訳（メタデータ） (2021-12-08T00:24:03Z) - UPDesc: Unsupervised Point Descriptor Learning for Robust Registration [54.95201961399334]
UPDescは、ロバストポイントクラウド登録のためのポイント記述子を学習するための教師なしの方法である。
学習した記述子は既存の教師なし手法よりも優れた性能を示すことを示す。
論文 参考訳（メタデータ） (2021-08-05T17:11:08Z) - A Point-Cloud Deep Learning Framework for Prediction of Fluid Flow
Fields on Irregular Geometries [62.28265459308354]
ネットワークは空間位置とCFD量のエンドツーエンドマッピングを学習する。
断面形状の異なるシリンダーを過ぎる非圧縮層状定常流を考察する。
ネットワークは従来のCFDの数百倍の速さで流れ場を予測する。
論文 参考訳（メタデータ） (2020-10-15T12:15:02Z) - ePointDA: An End-to-End Simulation-to-Real Domain Adaptation Framework
for LiDAR Point Cloud Segmentation [111.56730703473411]
LiDARデータ上でディープニューラルネットワーク(DNN)をトレーニングするには、大規模なポイントワイドアノテーションが必要である。
シミュレーション・トゥ・リアル・ドメイン適応(SRDA)は、DNNを無制限の合成データと自動生成されたラベルで訓練する。
ePointDAは、自己教師付きドロップアウトノイズレンダリング、統計不変および空間適応型特徴アライメント、転送可能なセグメンテーション学習の3つのモジュールで構成されている。
論文 参考訳（メタデータ） (2020-09-07T23:46:08Z) - RPM-Net: Robust Point Matching using Learned Features [79.52112840465558]
RPM-Netは、より敏感で、より堅牢なディープラーニングベースのアプローチである。
既存の方法とは異なり、我々のRPM-Netは、部分的な可視性を備えた対応や点雲の欠如を処理します。
論文 参考訳（メタデータ） (2020-03-30T13:45:27Z) - StickyPillars: Robust and Efficient Feature Matching on Point Clouds
using Graph Neural Networks [16.940377259203284]
StickyPillarsは、ポイントクラウド上の高速で正確で、非常に堅牢な3D機能マッチング方法である。
KITTIデータセット上で実証された登録問題に対して,最先端技術による精度評価結果を示す。
我々はマッチングシステムをLiDARオドメトリーパイプラインに統合し、KITTIデータセット上で最も正確な結果を得る。
論文 参考訳（メタデータ） (2020-02-10T17:53:41Z) - Adaptive Gradient Sparsification for Efficient Federated Learning: An
Online Learning Approach [11.986523531539165]
フェデレーテッド・ラーニング(FL)は、地理的に分散したデータを用いて機械学習モデルをトレーニングするための新興技術である。
勾配スペーシフィケーション(GS)を適用することができ、完全な勾配の代わりに、勾配の重要な要素の小さなサブセットが通信される。
本稿では,近距離通信とトレードオフを自動的に判定する新しいオンライン学習定式化とアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-01-14T13:09:23Z)
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。