論文の概要: Greedy-Based Feature Selection for Efficient LiDAR SLAM

• arxiv url: http://arxiv.org/abs/2103.13090v1
• Date: Wed, 24 Mar 2021 11:03:16 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-25 13:50:25.141542
• Title: Greedy-Based Feature Selection for Efficient LiDAR SLAM
• Title（参考訳）: 効率的なLiDARSLAMのためのグレディベース特徴選択
• Authors: Jianhao Jiao and Yilong Zhu and Haoyang Ye and Huaiyang Huang and Peng Yun and Linxin Jiang and Lujia Wang and Ming Liu
• Abstract要約: 本論文では,L-SLAMシステムの精度と効率を,機能のサブセットを積極的に選択することで大幅に向上できることを実証する。 提案手法は,最先端のL-SLAMシステムと比較して,ローカライズ誤差と高速化が低いことを示す。
• 参考スコア（独自算出の注目度）: 12.257338124961622
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modern LiDAR-SLAM (L-SLAM) systems have shown excellent results in large-scale, real-world scenarios. However, they commonly have a high latency due to the expensive data association and nonlinear optimization. This paper demonstrates that actively selecting a subset of features significantly improves both the accuracy and efficiency of an L-SLAM system. We formulate the feature selection as a combinatorial optimization problem under a cardinality constraint to preserve the information matrix's spectral attributes. The stochastic-greedy algorithm is applied to approximate the optimal results in real-time. To avoid ill-conditioned estimation, we also propose a general strategy to evaluate the environment's degeneracy and modify the feature number online. The proposed feature selector is integrated into a multi-LiDAR SLAM system. We validate this enhanced system with extensive experiments covering various scenarios on two sensor setups and computation platforms. We show that our approach exhibits low localization error and speedup compared to the state-of-the-art L-SLAM systems. To benefit the community, we have released the source code: https://ram-lab.com/file/site/m-loam.
• Abstract（参考訳）: 現代のLiDAR-SLAM (L-SLAM) システムは、大規模で現実的なシナリオにおいて優れた結果を示している。 しかし、高価なデータアソシエーションと非線形最適化のため、一般的にはレイテンシが高い。 本稿では,L-SLAMシステムの精度と効率を両立させ,特徴のサブセットを積極的に選択できることを実証する。 我々は,情報行列のスペクトル属性を保存するために,濃度制約の下で機能選択を組合せ最適化問題として定式化する。 確率グレーディアルゴリズムを用いて,最適結果をリアルタイムに近似する。 また,不調な推定を避けるため,環境の優劣を評価し,特徴数をオンラインで修正するための一般的な戦略を提案する。 提案する特徴セレクタはマルチLiDAR SLAMシステムに統合される。 2つのセンサと計算プラットフォーム上で,様々なシナリオをカバーする広範な実験によって,この拡張システムを検証した。 提案手法は,最先端のL-SLAMシステムと比較して,ローカライズ誤差と高速化が低いことを示す。 コミュニティの利益を得るために、私たちはソースコードをリリースした。

関連論文リスト

• LLM-based Optimization of Compound AI Systems: A Survey [64.39860384538338]
  複合AIシステムでは、LLMコール、レトリバー、コードインタプリタ、ツールなどのコンポーネントが相互接続される。 近年の進歩により, LLM を用いたパラメータのエンドツーエンド最適化が可能となった。 本稿では,複合AIシステムのLCMに基づく最適化の原理と動向について述べる。
  論文  参考訳（メタデータ） (2024-10-21T18:06:25Z)
• Optima: Optimizing Effectiveness and Efficiency for LLM-Based Multi-Agent System [75.25394449773052]
  大規模言語モデル (LLM) に基づくマルチエージェントシステム (MAS) は協調的問題解決において顕著な可能性を示している。 通信効率の低下、スケーラビリティの低下、効果的なパラメータ更新方法の欠如などです。 本稿では,コミュニケーション効率とタスク効率を両立させ,これらの課題に対処する新しいフレームワークOptimaを提案する。
  論文  参考訳（メタデータ） (2024-10-10T17:00:06Z)
• Bidirectional Gated Mamba for Sequential Recommendation [56.85338055215429]
  最近の進歩であるMambaは、時系列予測において例外的なパフォーマンスを示した。 SIGMA(Selective Gated Mamba)と呼ばれる,シークエンシャルレコメンデーションのための新しいフレームワークを紹介する。 以上の結果から,SIGMAは5つの実世界のデータセットにおいて,現在のモデルよりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2024-08-21T09:12:59Z)
• Learning Controllable Adaptive Simulation for Multi-resolution Physics [86.8993558124143]
  完全深層学習に基づくサロゲートモデルとして,LAMP(Learning Controllable Adaptive Simulation for Multi- resolution Physics)を導入した。 LAMPは、前方進化を学習するためのグラフニューラルネットワーク(GNN)と、空間的洗練と粗大化のポリシーを学ぶためのGNNベースのアクター批判で構成されている。 我々は,LAMPが最先端のディープラーニングサロゲートモデルより優れており,長期予測誤差を改善するために,適応的なトレードオフ計算が可能であることを実証した。
  論文  参考訳（メタデータ） (2023-05-01T23:20:27Z)
• VP-SLAM: A Monocular Real-time Visual SLAM with Points, Lines and Vanishing Points [31.55798962786664]
  本稿では,ライン抽出とVP抽出をリアルタイムに行う一眼レフ画像SLAMシステムを提案する。 また,ロボットの翻訳を推定し,回転を改善するために,失点を利用した2つの戦略を提案する。 提案システムは最先端の結果をリアルタイムに実現し,その性能は従来のORB-SLAM2システムに近いままである。
  論文  参考訳（メタデータ） (2022-10-23T15:54:26Z)
• Keeping Less is More: Point Sparsification for Visual SLAM [1.370633147306388]
  本研究では,SLAMシステムにおける地図点のスペース化のための効率的なグラフ最適化を提案する。 具体的には、最小コストの最大フローグラフ最適化問題として、最大ポーズ可視性と最大空間多様性問題を定式化する。 提案手法は既存のSLAMシステムの追加ステップとして機能し,従来のSLAMシステムと学習ベースのSLAMシステムの両方で使用することができる。
  論文  参考訳（メタデータ） (2022-07-01T06:39:38Z)
• RISE-SLAM: A Resource-aware Inverse Schmidt Estimator for SLAM [7.388000129690679]
  視覚-慣性同時ローカライズ・マッピング(SLAM)のためのRISE-SLAMアルゴリズムを提案する。 線形メモリ要件と調整可能な処理コストを有する情報領域に一貫した新しい近似手法を導出する。 特に、リソースを意識した逆シュミット推定器(RISE)は、計算効率のトレーディング推定精度を実現する。
  論文  参考訳（メタデータ） (2020-11-23T21:10:32Z)
• Pushing the Envelope of Rotation Averaging for Visual SLAM [69.7375052440794]
  視覚SLAMシステムのための新しい最適化バックボーンを提案する。 従来の単分子SLAMシステムの精度, 効率, 堅牢性を向上させるために, 平均化を活用している。 我々のアプローチは、公開ベンチマークの最先端技術に対して、同等の精度で最大10倍高速に表示することができる。
  論文  参考訳（メタデータ） (2020-11-02T18:02:26Z)
• Robust Odometry and Mapping for Multi-LiDAR Systems with Online Extrinsic Calibration [15.946728828122385]
  本稿では,複数のLiDARのロバストかつ同時キャリブレーション,オドメトリー,マッピングを実現するシステムを提案する。 キャリブレーションとSLAMのための10列(全長4.60km)の広範囲な実験により,本手法の性能を検証した。 提案手法は,様々なマルチLiDARセットアップのための完全で堅牢なシステムであることを示す。
  論文  参考訳（メタデータ） (2020-10-27T13:51:26Z)
• Optimization-driven Machine Learning for Intelligent Reflecting Surfaces Assisted Wireless Networks [82.33619654835348]
  インテリジェントサーフェス(IRS)は、個々の散乱素子の位相シフトを制御して無線チャネルを再形成するために用いられる。 散乱素子の規模が大きいため、受動ビームフォーミングは一般に高い計算複雑性によって挑戦される。 本稿では、IRS支援無線ネットワークの性能向上のための機械学習(ML)アプローチに焦点を当てる。
  論文  参考訳（メタデータ） (2020-08-29T08:39:43Z)
• Good Feature Matching: Towards Accurate, Robust VO/VSLAM with Low Latency [23.443265839365054]
  最先端VO/VSLAMシステムの解析は、性能(正確性と堅牢性)と効率(レイテンシ)のバランスのギャップを露呈する 本稿では,特徴量に基づくVSLAMの適用により,性能と効率のギャップを埋めることを目的としている。
  論文  参考訳（メタデータ） (2020-01-03T03:50:54Z)

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。