論文の概要: Improved Signed Distance Function for 2D Real-time SLAM and Accurate
Localization
- arxiv url: http://arxiv.org/abs/2101.08018v1
- Date: Wed, 20 Jan 2021 08:28:19 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-22 07:54:03.408839
- Title: Improved Signed Distance Function for 2D Real-time SLAM and Accurate
Localization
- Title（参考訳）: 2次元リアルタイムSLAMと正確な位置推定のための符号付き距離関数の改良
- Authors: Xingyin Fu, Zheng Fang, Xizhen Xiao, Yijia He, Xiao Liu
- Abstract要約: マッピングとローカリゼーションの精度を向上させるため、2D SLAMと純粋なローカリゼーションの両方のための改良された署名距離関数(SDF)を提案します。
実験の結果, 統合sdfマップにより, 地図内で数ミリ (5mm) の局所化精度がグローバルに達成できることがわかった。
- 参考スコア（独自算出の注目度）: 12.443507219951092
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate mapping and localization are very important for many industrial
robotics applications. In this paper, we propose an improved Signed Distance
Function (SDF) for both 2D SLAM and pure localization to improve the accuracy
of mapping and localization. To achieve this goal, firstly we improved the
back-end mapping to build a more accurate SDF map by extending the update range
and building free space, etc. Secondly, to get more accurate pose estimation
for the front-end, we proposed a new iterative registration method to align the
current scan to the SDF submap by removing random outliers of laser scanners.
Thirdly, we merged all the SDF submaps to produce an integrated SDF map for
highly accurate pure localization. Experimental results show that based on the
merged SDF map, a localization accuracy of a few millimeters (5mm) can be
achieved globally within the map. We believe that this method is important for
mobile robots working in scenarios where high localization accuracy matters.
- Abstract（参考訳）: 正確なマッピングとローカライゼーションは多くの産業ロボティクスアプリケーションにとって非常に重要である。
本稿では,2次元スラムと純粋局所化の両方に対する符号付き距離関数(sdf)の改良を提案し,マッピングと局所化の精度を向上させる。
この目標を達成するため、まず、更新範囲を拡張し、自由空間を構築することで、より正確なSDFマップを構築するためにバックエンドマッピングを改善しました。
次に,レーザスキャナの無作為なアウトレイラを除去し,SDFサブマップに電流スキャンをアライメントする,新たな反復的登録手法を提案する。
第3に、SDFサブマップを全てマージして、高度に正確な純粋ローカライゼーションのための統合SDFマップを作成しました。
実験の結果, 統合sdfマップにより, 地図内で数ミリ (5mm) の局所化精度がグローバルに達成できることがわかった。
本手法は,高位置化精度のシナリオで作業する移動ロボットにとって重要であると考えている。
関連論文リスト
- Neural Semantic Map-Learning for Autonomous Vehicles [85.8425492858912]
本稿では,道路環境のコヒーレントな地図を作成するために,車両群から収集した局所部分写像を中心インスタンスに融合するマッピングシステムを提案する。
本手法は,シーン特異的なニューラルサイン距離場を用いて,雑音と不完全局所部分写像を併用する。
我々は,記憶効率の高いスパース機能グリッドを活用して大規模にスケールし,シーン再構築における不確実性をモデル化するための信頼スコアを導入する。
論文 参考訳（メタデータ） (2024-10-10T10:10:03Z) - LGSDF: Continual Global Learning of Signed Distance Fields Aided by Local Updating [22.948360879064758]
ESDF (Euclidean Signed Distance Field) の暗黙の再構成では、任意の地点から最も近い障害物までの符号付き距離を回帰するためにニューラルネットワークを訓練する。
ローカル更新によるESDF連続グローバル学習アルゴリズムLGSDFを提案する。
複数の場面で得られた結果から,LGSDF は SOTA (State Of The Art) の明示的および暗黙的マッピングアルゴリズムと比較して,より正確な ESDF マップとメッシュを構築可能であることが示された。
論文 参考訳（メタデータ） (2024-04-08T04:27:36Z) - Volumetric Semantically Consistent 3D Panoptic Mapping [77.13446499924977]
非構造環境における自律エージェントに適したセマンティック3Dマップを生成することを目的としたオンライン2次元から3次元のセマンティック・インスタンスマッピングアルゴリズムを提案する。
マッピング中にセマンティック予測の信頼性を統合し、セマンティックおよびインスタンス一貫性のある3D領域を生成する新しい方法を導入する。
提案手法は,パブリックな大規模データセット上での最先端の精度を実現し,多くの広く使用されているメトリクスを改善した。
論文 参考訳（メタデータ） (2023-09-26T08:03:10Z) - DDF-HO: Hand-Held Object Reconstruction via Conditional Directed
Distance Field [82.81337273685176]
DDF-HOは、DDF(Directed Distance Field)を形状表現として活用する新しいアプローチである。
我々はランダムに複数の光線をサンプリングし、新しい2D線に基づく特徴集約方式を導入することにより、局所的・大域的特徴を収集する。
合成および実世界のデータセットの実験は、DFF-HOが全てのベースライン手法を大きなマージンで一貫して上回っていることを示している。
論文 参考訳（メタデータ） (2023-08-16T09:06:32Z) - A Survey on Visual Map Localization Using LiDARs and Cameras [0.0]
視覚マップのローカライゼーションを2段階プロセスとして定義する。
位置認識の段階では、視覚センサ出力とジオタグ付き地図領域の集合とを比較して、地図内の車両の初期位置を決定する。
地図距離定位の段階では、車両が地図を横切りながら追跡され、視界センサの出力と現在の地図の面積を連続的に調整する。
論文 参考訳（メタデータ） (2022-08-05T20:11:18Z) - Satellite Image Based Cross-view Localization for Autonomous Vehicle [59.72040418584396]
本稿では,市販の高精細衛星画像を使用可能な地図として利用することにより,良好な精度でクロスビュー車両のローカライゼーションを実現することができることを示す。
本手法はKITTIとFord Multi-AVの季節データセットを地上ビューとして,Google Mapsを衛星ビューとして検証した。
論文 参考訳（メタデータ） (2022-07-27T13:16:39Z) - PlaneSDF-based Change Detection for Long-term Dense Mapping [10.159737713094119]
我々はPlane Signed Distance Fields(PlaneSDF)と呼ばれる新しい地図表現に基づく変更検出の問題について検討する。
ソースとターゲットシーンの点群を考慮し,PlaneSDFに基づく3段階の変更検出手法を提案する。
合成と実世界の両方のデータセットに対する我々のアプローチを評価し、オブジェクト検出のタスクを通じてその効果を実証する。
論文 参考訳（メタデータ） (2022-07-18T00:19:45Z) - iSDF: Real-Time Neural Signed Distance Fields for Robot Perception [64.80458128766254]
iSDFは実時間符号付き距離場再構成のための連続学習システムである。
より正確な再構築と、衝突コストと勾配のより良い近似を生成する。
論文 参考訳（メタデータ） (2022-04-05T15:48:39Z) - FD-SLAM: 3-D Reconstruction Using Features and Dense Matching [18.577229381683434]
本稿では,高密度フレーム・モデル・オードメトリーを用いたRGB-D SLAMシステムを提案する。
マップ構築をさらに安定化させる3次元特徴に基づく学習ベースのループクロージャコンポーネントを組み込んだ。
このアプローチは、他のシステムがしばしば失敗する大きなシーンにも拡張できる。
論文 参考訳（メタデータ） (2022-03-25T18:58:46Z) - OmniSLAM: Omnidirectional Localization and Dense Mapping for
Wide-baseline Multi-camera Systems [88.41004332322788]
超広視野魚眼カメラ(FOV)を用いた広視野多視点ステレオ構成のための全方向位置決めと高密度マッピングシステムを提案する。
より実用的で正確な再構築のために、全方向深度推定のための改良された軽量のディープニューラルネットワークを導入する。
我々は全方位深度推定をビジュアル・オドメトリー(VO)に統合し,大域的整合性のためのループ閉鎖モジュールを付加する。
論文 参考訳（メタデータ） (2020-03-18T05:52:10Z)
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。