論文の概要: Self-optimizing loop sifting and majorization for 3D reconstruction

• arxiv url: http://arxiv.org/abs/2104.10826v1
• Date: Thu, 22 Apr 2021 01:59:19 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-23 13:56:52.089528
• Title: Self-optimizing loop sifting and majorization for 3D reconstruction
• Title（参考訳）: 3次元再構築のための自己最適化ループシフティングとメジャー化
• Authors: Guoxiang Zhang and YangQuan Chen
• Abstract要約: VSLAMシステムは、偽ループの深刻な影響を減らすためにループを非常に保守的に追加する傾向がある。 本稿では,ループ検出をふるいにかけ,主要化できるアルゴリズムを提案する。 提案するアルゴリズムは,異なるループの有用性と有効性を,密度マップ後部(DMP)メトリックと比較することができる。
• 参考スコア（独自算出の注目度）: 0.6091702876917281
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Visual simultaneous localization and mapping (vSLAM) and 3D reconstruction methods have gone through impressive progress. These methods are very promising for autonomous vehicle and consumer robot applications because they can map large-scale environments such as cities and indoor environments without the need for much human effort. However, when it comes to loop detection and optimization, there is still room for improvement. vSLAM systems tend to add the loops very conservatively to reduce the severe influence of the false loops. These conservative checks usually lead to correct loops rejected, thus decrease performance. In this paper, an algorithm that can sift and majorize loop detections is proposed. Our proposed algorithm can compare the usefulness and effectiveness of different loops with the dense map posterior (DMP) metric. The algorithm tests and decides the acceptance of each loop without a single user-defined threshold. Thus it is adaptive to different data conditions. The proposed method is general and agnostic to sensor type (as long as depth or LiDAR reading presents), loop detection, and optimization methods. Neither does it require a specific type of SLAM system. Thus it has great potential to be applied to various application scenarios. Experiments are conducted on public datasets. Results show that the proposed method outperforms state-of-the-art methods.
• Abstract（参考訳）: visual concurrent localization and mapping (vslam)と3d reconstruction methodは印象的な進歩を遂げている。 これらの方法は、人間の努力なしに、都市や屋内環境などの大規模環境をマッピングできるため、自動運転車や消費者向けロボットアプリケーションにとって非常に有望である。 しかし、ループの検出と最適化に関しては、改善の余地はまだある。 vSLAMシステムは、偽ループの深刻な影響を減らすためにループを非常に保守的に追加する傾向がある。 これらの保守的なチェックは、通常正しいループを拒否し、パフォーマンスを低下させる。 本稿では,ループ検出をふるいにかけ,主要化できるアルゴリズムを提案する。 提案手法は,異なるループの有用性と有効性を,dmp(dung map posterior)メトリックと比較できる。 アルゴリズムは、単一のユーザ定義しきい値なしで各ループの受け入れをテストし、決定する。 したがって、異なるデータ条件に適応する。 提案手法は,センサタイプ(深度やLiDARの読み出し現在まで),ループ検出,最適化など,汎用的で非依存な手法である。 特定のタイプのslamシステムも必要ありません。 したがって、様々なアプリケーションシナリオに適用できる可能性がある。 公開データセットで実験を行う。 その結果,提案手法は最先端手法よりも優れていた。

関連論文リスト

• Loopy-SLAM: Dense Neural SLAM with Loop Closures [53.11936461015725]
  ポーズをグローバルに最適化するLoopy-SLAMと高密度3Dモデルを導入する。 我々は,データ駆動のポイントベースサブマップ生成手法を用いてフレーム・ツー・モデル追跡を行い,グローバルな位置認識を行うことで,オンラインのループクロージャをトリガーする。 合成Replicaおよび実世界のTUM-RGBDおよびScanNetデータセットの評価は、既存の高密度ニューラルネットワークRGBD SLAM法と比較して、追跡、マッピング、レンダリングの精度の競争力または優れた性能を示す。
  論文  参考訳（メタデータ） (2024-02-14T18:18:32Z)
• A PnP Algorithm for Two-Dimensional Pose Estimation [0.0]
  仮定を活用すれば、探索空間次元の減少による3次元精度の向上と性能向上が可能になる。 提案アルゴリズムは,システムを解くことによって不明瞭な解を見つけ,繰り返し誤差を最小限に抑えるためにその予測を反復的に洗練する。
  論文  参考訳（メタデータ） (2023-12-13T20:08:26Z)
• DR.CPO: Diversified and Realistic 3D Augmentation via Iterative Construction, Random Placement, and HPR Occlusion [4.64982780843177]
  自律運転では、データ拡張は一般的に3Dオブジェクトの検出を改善するために使用される。 我々は,全身オブジェクトを柔軟に構築できる,多種多様で現実的な拡張法を開発した。 DR.CPOは、KITTIデータセットで知られている最高の3D検出結果と比較して、mAP性能を2.08%向上させることができる。
  論文  参考訳（メタデータ） (2023-03-20T07:42:48Z)
• Maximum-Likelihood Inverse Reinforcement Learning with Finite-Time Guarantees [56.848265937921354]
  逆強化学習(IRL)は報酬関数と関連する最適ポリシーを回復することを目的としている。 IRLの多くのアルゴリズムは本質的にネスト構造を持つ。 我々は、報酬推定精度を損なわないIRLのための新しいシングルループアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2022-10-04T17:13:45Z)
• A New Adaptive Noise Covariance Matrices Estimation and Filtering Method: Application to Multi-Object Tracking [6.571006663689735]
  カルマンフィルタは物体追跡に広く使われており、一般にプロセスと測定ノイズは正確に知られ、一定であると考えられている。 本稿では,Kalmanフィルタプロセスとノイズ共分散行列をオンラインで推定するための新しい推定補正閉ループ推定法を提案する。
  論文  参考訳（メタデータ） (2021-12-20T03:11:48Z)
• A Fully Single Loop Algorithm for Bilevel Optimization without Hessian Inverse [121.54116938140754]
  両レベル最適化問題に対して,Hessian 逆フリーな完全単一ループアルゴリズムを提案する。 我々のアルゴリズムは$O(epsilon-2)$と収束することを示す。
  論文  参考訳（メタデータ） (2021-12-09T02:27:52Z)
• Loop closure detection using local 3D deep descriptors [22.93552565583209]
  局所3次元深部記述子(L3D)を用いた同時局所化・マッピングにおけるループ閉鎖検出手法を提案する。 本稿では,互いにアレスト近傍の記述子に対応する点間の距離誤差を計算し,ループ検出のための新しい重なり測定手法を提案する。 この手法により,ループを正確に検出し,重なりが小さければ6自由度ポーズを推定できる。
  論文  参考訳（メタデータ） (2021-10-31T09:18:38Z)
• Local policy search with Bayesian optimization [73.0364959221845]
  強化学習は、環境との相互作用によって最適な政策を見つけることを目的としている。 局所探索のための政策勾配は、しばしばランダムな摂動から得られる。 目的関数の確率モデルとその勾配を用いたアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2021-06-22T16:07:02Z)
• State Entropy Maximization with Random Encoders for Efficient Exploration [162.39202927681484]
  近年,深層補強学習(rl)におけるサンプル効率向上のための手法が提案されている。 本稿では,状態エントロピーを本質的な報酬として利用する探索手法であるRandoms for Efficient Exploration (RE3)を提案する。 特に、ランダムエンコーダを用いて、状態エントロピーを安定かつ計算効率の良い方法で推定できることが判明した。
  論文  参考訳（メタデータ） (2021-02-18T15:45:17Z)
• Towards Optimally Efficient Tree Search with Deep Learning [76.64632985696237]
  本稿では,線形モデルから信号整数を推定する古典整数最小二乗問題について検討する。 問題はNPハードであり、信号処理、バイオインフォマティクス、通信、機械学習といった様々な応用でしばしば発生する。 本稿では, 深いニューラルネットワークを用いて, 単純化されたメモリバウンドA*アルゴリズムの最適推定を推定し, HATSアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-01-07T08:00:02Z)
• Fast and stable MAP-Elites in noisy domains using deep grids [1.827510863075184]
  Deep-Grid MAP-ElitesはMAP-Elitesアルゴリズムの変種である。 この単純なアプローチは、適合性最適化の観点から競争性能を達成しつつ、動作記述子のノイズに対する耐性が著しく高いことを示す。
  論文  参考訳（メタデータ） (2020-06-25T08:47:23Z)

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。