論文の概要: Accurate and Robust Scale Recovery for Monocular Visual Odometry Based on Plane Geometry

• arxiv url: http://arxiv.org/abs/2101.05995v1
• Date: Fri, 15 Jan 2021 07:21:24 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-28 19:54:04.964708
• Title: Accurate and Robust Scale Recovery for Monocular Visual Odometry Based on Plane Geometry
• Title（参考訳）: 平面形状に基づく単眼視覚オドメトリの高精度かつロバストなスケールリカバリ
• Authors: Rui Tian, Yunzhou Zhang, Delong Zhu, Shiwen Liang, Sonya Coleman, Dermot Kerr
• Abstract要約: 地上面の高精度かつロバストな推定を生かした軽量なスケール復元フレームワークを開発した。 KITTIデータセットの実験により,提案したフレームワークが翻訳誤りの点から最先端の精度を達成できることが示されている。 軽量な設計のため、我々のフレームワークはデータセット上で20Hzの高周波数を示す。
• 参考スコア（独自算出の注目度）: 7.169216737580712
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Scale ambiguity is a fundamental problem in monocular visual odometry. Typical solutions include loop closure detection and environment information mining. For applications like self-driving cars, loop closure is not always available, hence mining prior knowledge from the environment becomes a more promising approach. In this paper, with the assumption of a constant height of the camera above the ground, we develop a light-weight scale recovery framework leveraging an accurate and robust estimation of the ground plane. The framework includes a ground point extraction algorithm for selecting high-quality points on the ground plane, and a ground point aggregation algorithm for joining the extracted ground points in a local sliding window. Based on the aggregated data, the scale is finally recovered by solving a least-squares problem using a RANSAC-based optimizer. Sufficient data and robust optimizer enable a highly accurate scale recovery. Experiments on the KITTI dataset show that the proposed framework can achieve state-of-the-art accuracy in terms of translation errors, while maintaining competitive performance on the rotation error. Due to the light-weight design, our framework also demonstrates a high frequency of 20Hz on the dataset.
• Abstract（参考訳）: スケールあいまいさは単眼視覚のオドメトリーにおける根本的な問題である。 典型的なソリューションはループクロージャ検出と環境情報マイニングである。 自動運転車のようなアプリケーションでは、ループクロージャは必ずしも利用できないため、環境からの事前知識のマイニングがより有望なアプローチになる。 本稿では,地上のカメラの高さを一定と仮定して,高精度でロバストな地上面推定を用いた軽量スケールリカバリフレームワークを開発した。 本フレームワークは、地上面上の高品質な点を選択するための接地点抽出アルゴリズムと、抽出した接地点を局所滑り窓で接合する接地点集約アルゴリズムとを含む。 集約されたデータに基づいて、RANSACベースのオプティマイザを用いて最小二乗問題を解くことで、最終的にスケールが回復する。 十分なデータと堅牢なオプティマイザにより、高精度なスケールリカバリが可能になる。 KITTIデータセットの実験により,提案フレームワークは回転誤差の競合性能を維持しつつ,翻訳誤差の観点から最先端の精度を達成可能であることが示された。 軽量な設計のため、我々のフレームワークはデータセット上で20Hzの高周波数を示す。

関連論文リスト

• Mode-GS: Monocular Depth Guided Anchored 3D Gaussian Splatting for Robust Ground-View Scene Rendering [47.879695094904015]
  そこで本研究では,地上ロボット軌道データセットのための新しいビューレンダリングアルゴリズムであるMode-GSを提案する。 提案手法は,既存の3次元ガウススプラッティングアルゴリズムの限界を克服する目的で,アンカー付きガウススプラッターを用いている。 提案手法は,PSNR,SSIM,LPIPSの計測値に基づいて,自由軌道パターンを持つ地上環境におけるレンダリング性能を向上する。
  論文  参考訳（メタデータ） (2024-10-06T23:01:57Z)
• OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
  学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。 OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。 最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
  論文  参考訳（メタデータ） (2024-09-14T07:44:22Z)
• Robust Second-order LiDAR Bundle Adjustment Algorithm Using Mean Squared Group Metric [5.153195958837083]
  我々は,LiDAR BAアルゴリズムの最適化目標を構築するために,新しい平均2乗群計量(MSGM)を提案する。 堅牢なカーネル関数を統合することで、BAアルゴリズムに関わるメトリクスを再重み付けし、ソリューションプロセスの堅牢性を高める。
  論文  参考訳（メタデータ） (2024-09-03T12:53:39Z)
• Arbitrary-Scale Point Cloud Upsampling by Voxel-Based Network with Latent Geometric-Consistent Learning [52.825441454264585]
  Voxel-based Network (textbfPU-VoxelNet) を用いた任意のスケールのクラウド・アップサンプリング・フレームワークを提案する。 ボクセル表現から継承された完全性と規則性により、ボクセルベースのネットワークは3次元表面を近似する事前定義されたグリッド空間を提供することができる。 密度誘導グリッド再サンプリング法を開発し、高忠実度点を生成するとともに、サンプリング出力を効果的に回避する。
  論文  参考訳（メタデータ） (2024-03-08T07:31:14Z)
• Vanishing Point Estimation in Uncalibrated Images with Prior Gravity Direction [82.72686460985297]
  我々はマンハッタンのフレームを推定する問題に取り組む。 2つの新しい2行解法が導出され、そのうちの1つは既存の解法に影響を与える特異点に悩まされない。 また、局所最適化の性能を高めるために、任意の行で実行される新しい最小でないメソッドを設計する。
  論文  参考訳（メタデータ） (2023-08-21T13:03:25Z)
• Real-Time Simultaneous Localization and Mapping with LiDAR intensity [9.374695605941627]
  実時間LiDAR強調画像を用いた同時位置推定とマッピング手法を提案する。 提案手法は高精度でリアルタイムに動作可能であり,照度変化,低テクスチャ,非構造化環境でも有効である。
  論文  参考訳（メタデータ） (2023-01-23T03:59:48Z)
• Visual SLAM with Graph-Cut Optimized Multi-Plane Reconstruction [11.215334675788952]
  本稿では,インスタンス平面セグメンテーションネットワークからのキューを用いたポーズ推定とマッピングを改善する意味平面SLAMシステムを提案する。 メインストリームのアプローチはRGB-Dセンサーを使用するが、そのようなシステムを備えた単眼カメラを使うことは、ロバストデータアソシエーションや正確な幾何モデルフィッティングといった課題に直面している。
  論文  参考訳（メタデータ） (2021-08-09T18:16:08Z)
• GPO: Global Plane Optimization for Fast and Accurate Monocular SLAM Initialization [22.847353792031488]
  アルゴリズムは、スライドウィンドウでのホモグラフィー推定から始まる。 提案手法は,複数フレームからの平面情報を完全に活用し,ホモグラフィ分解における曖昧さを回避する。 実験の結果,提案手法は精度とリアルタイムの両面において微調整ベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2020-04-25T03:57:50Z)
• Refined Plane Segmentation for Cuboid-Shaped Objects by Leveraging Edge Detection [63.942632088208505]
  本稿では,セグメント化された平面マスクを画像に検出されたエッジと整列するための後処理アルゴリズムを提案する。 これにより、立方体形状の物体に制限を加えながら、最先端のアプローチの精度を高めることができます。
  論文  参考訳（メタデータ） (2020-03-28T18:51:43Z)
• On the Arbitrary-Oriented Object Detection: Classification based Approaches Revisited [94.5455251250471]
  まず,既存の回帰型回転検出器が抱える境界問題は,角周期性や角秩序によって引き起こされることを示した。 我々は、角予測タスクを回帰問題から分類問題に変換する。 得られた円形分布角分類問題に対して、まず、角度の周期性に対処し、隣り合う角度に対する誤差耐性を高めるために、円スムースラベル法を考案する。
  論文  参考訳（メタデータ） (2020-03-12T03:23:54Z)

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。