論文の概要: Collaborative Augmented Reality on Smartphones via Life-long City-scale Maps

• arxiv url: http://arxiv.org/abs/2011.05370v1
• Date: Tue, 10 Nov 2020 19:45:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-27 08:07:07.266067
• Title: Collaborative Augmented Reality on Smartphones via Life-long City-scale Maps
• Title（参考訳）: 生涯都市スケールマップによるスマートフォン上の協調型拡張現実
• Authors: Lukas Platinsky, Michal Szabados, Filip Hlasek, Ross Hemsley, Luca Del Pero, Andrej Pancik, Bryan Baum, Hugo Grimmett, Peter Ondruska
• Abstract要約: 本稿では,モバイル端末上での都市規模の共有拡張現実体験を実現するための,初のエンドツーエンド生産型コンピュータビジョンシステムを提案する。 本稿では,都市スケールSLAMのスケーラビリティ,堅牢性,マップ更新,オールタイム全天候性能といった重要な課題に対する効果的なソリューションとして,経験ベースマッピングフレームワークの新たな定式化を提案する。 システムはサンフランシスコで大規模に展開、テストされ、数百kmの地図化されたエリアでAR体験を提供する。
• 参考スコア（独自算出の注目度）: 4.110540459079004
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper we present the first published end-to-end production computer-vision system for powering city-scale shared augmented reality experiences on mobile devices. In doing so we propose a new formulation for an experience-based mapping framework as an effective solution to the key issues of city-scale SLAM scalability, robustness, map updates and all-time all-weather performance required by a production system. Furthermore, we propose an effective way of synchronising SLAM systems to deliver seamless real-time localisation of multiple edge devices at the same time. All this in the presence of network latency and bandwidth limitations. The resulting system is deployed and tested at scale in San Francisco where it delivers AR experiences in a mapped area of several hundred kilometers. To foster further development of this area we offer the data set to the public, constituting the largest of this kind to date.
• Abstract（参考訳）: 本稿では,モバイル端末上で都市規模でar体験を共有するためのエンド・ツー・エンドのコンピュータビジョンシステムについて紹介する。 そこで我々は,都市規模SLAMのスケーラビリティ,堅牢性,マップ更新,実運用システムに必要な全天候性能といった重要な課題に対する効果的なソリューションとして,経験ベースマッピングフレームワークの新たな定式化を提案する。 さらに,複数のエッジデバイスのシームレスなリアルタイムローカライズを実現するために,SLAMシステムの同期方法を提案する。 これらはすべて、ネットワークのレイテンシと帯域幅の制限がある。 システムはサンフランシスコで大規模に展開、テストされ、数百kmの地図化されたエリアでAR体験を提供する。 この分野のさらなる発展を促進するために、我々はデータセットを一般向けに提供し、これまでで最大のデータである。

関連論文リスト

• Urban Region Embeddings from Service-Specific Mobile Traffic Data [1.6670661711668906]
  本稿では,サービス固有のモバイルトラフィックデータから都市部埋め込みを作成する手法を提案する。 本手法が都市特性を効果的に把握できることを実証する。 全体として、この研究は、都市研究のためのサービス固有のモバイルトラフィックデータの可能性を強調している。
  論文  参考訳（メタデータ） (2024-11-20T12:13:07Z)
• UrbanDiT: A Foundation Model for Open-World Urban Spatio-Temporal Learning [25.217842149162735]
  UrbanDiTTは、オープンワールドの都市時間学習の基礎モデルである。 多様な時間的データソースと、さまざまな都市やシナリオにまたがるタイプを統合している。
  論文  参考訳（メタデータ） (2024-11-19T02:01:07Z)
• Snapshot: Towards Application-centered Models for Pedestrian Trajectory Prediction in Urban Traffic Environments [9.025558624315817]
  Snapshotはフィードフォワードニューラルネットワークで、芸術の現在の状態をはるかに少ない情報を利用して上回る。 Snapshotをモジュラー自動運転ソフトウェアスタックに統合することで、現実の応用性を示す。
  論文  参考訳（メタデータ） (2024-09-03T15:15:49Z)
• LiveHPS: LiDAR-based Scene-level Human Pose and Shape Estimation in Free Environment [59.320414108383055]
  シーンレベルの人間のポーズと形状推定のための単一LiDARに基づく新しいアプローチであるLiveHPSを提案する。 多様な人間のポーズを伴う様々なシナリオで収集される巨大な人間の動きデータセットFreeMotionを提案する。
  論文  参考訳（メタデータ） (2024-02-27T03:08:44Z)
• Multimodal Indoor Localization Using Crowdsourced Radio Maps [7.220542831917648]
  我々は,無線地図の不正確さとスパースカバレッジの課題に対処する新しい枠組みを導入する。 提案システムは,WiFiローカライゼーションのための不確実性を考慮したニューラルネットワークモデルと,最適核融合のためのベージアン融合技術を統合する。
  論文  参考訳（メタデータ） (2023-11-17T15:57:32Z)
• LaMAR: Benchmarking Localization and Mapping for Augmented Reality [80.23361950062302]
  異種ARデバイスでキャプチャされたリアルな軌跡とセンサストリームを共登録する,包括的キャプチャとGTパイプラインを備えた新しいベンチマークであるLaMARを紹介する。 私たちは、ヘッドマウントとハンドヘルドARデバイスで記録された多様な大規模シーンのベンチマークデータセットを公開します。
  論文  参考訳（メタデータ） (2022-10-19T17:58:17Z)
• Scalable and Real-time Multi-Camera Vehicle Detection, Re-Identification, and Tracking [58.95210121654722]
  理想化されたビデオストリームやキュレートされたビデオストリームの代わりに,リアルタイムで低解像度のCCTVを処理する,リアルタイムな都市規模のマルチカメラ車両追跡システムを提案する。 私たちの手法は、公共のリーダーボードで上位5人のパフォーマーにランク付けされています。
  論文  参考訳（メタデータ） (2022-04-15T12:47:01Z)
• NICE-SLAM: Neural Implicit Scalable Encoding for SLAM [112.6093688226293]
  NICE-SLAMは階層的なシーン表現を導入することでマルチレベルローカル情報を組み込んだ高密度SLAMシステムである。 最近の暗黙的SLAMシステムと比較して、私たちのアプローチはよりスケーラブルで効率的で堅牢です。
  論文  参考訳（メタデータ） (2021-12-22T18:45:44Z)
• Deployment Optimization for Shared e-Mobility Systems with Multi-agent Deep Neural Search [15.657420177295624]
  共有e-mobilityサービスは世界中の都市で広くテストされ、試験運用されている。 本稿では,持続的な収益性を維持しつつ,ユーザに対してユビキタスなサービスを実現するための,空間的・時間的インフラストラクチャの展開と管理方法について検討する。 我々は,共有電子移動システムの主要動作詳細を粒度で抽象化した高忠実度シミュレーション環境を設計することで,この問題に対処する。
  論文  参考訳（メタデータ） (2021-11-03T11:37:11Z)
• Learning to Localize Using a LiDAR Intensity Map [87.04427452634445]
  自動運転車のリアルタイム・キャリブレーション非依存・効果的なローカライズシステムを提案する。 私たちの方法は、オンラインLiDARスイープと強度マップをジョイントディープ埋め込みスペースに埋め込む方法を学びます。 システム全体の動作は15hzで,さまざまなlidarセンサや環境においてセンチメートルレベルの精度を実現しています。
  論文  参考訳（メタデータ） (2020-12-20T11:56:23Z)
• Real-time Localization Using Radio Maps [59.17191114000146]
  パスロスに基づく簡易かつ効果的なローカライゼーション法を提案する。 提案手法では, 受信した信号強度を, 既知の位置を持つ基地局の集合から報告する。
  論文  参考訳（メタデータ） (2020-06-09T16:51:17Z)

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。