論文の概要: LatentSLAM: unsupervised multi-sensor representation learning for localization and mapping

• arxiv url: http://arxiv.org/abs/2105.03265v1
• Date: Fri, 7 May 2021 13:44:32 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-10 16:22:56.510877
• Title: LatentSLAM: unsupervised multi-sensor representation learning for localization and mapping
• Title（参考訳）: LatentSLAM:ローカライゼーションとマッピングのための教師なしマルチセンサ表現学習
• Authors: Ozan \c{C}atal, Wouter Jansen, Tim Verbelen, Bart Dhoedt and Jan Steckel
• Abstract要約: 低次元潜在状態記述子を生成する教師なし表現学習手法を提案する。 本手法はセンサ非依存であり,任意のセンサモダリティに適用可能である。 複数のセンサを組み合わせることで、偽の一致数を減らすことで堅牢性が向上することを示す。
• 参考スコア（独自算出の注目度）: 7.857987850592964
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Biologically inspired algorithms for simultaneous localization and mapping (SLAM) such as RatSLAM have been shown to yield effective and robust robot navigation in both indoor and outdoor environments. One drawback however is the sensitivity to perceptual aliasing due to the template matching of low-dimensional sensory templates. In this paper, we propose an unsupervised representation learning method that yields low-dimensional latent state descriptors that can be used for RatSLAM. Our method is sensor agnostic and can be applied to any sensor modality, as we illustrate for camera images, radar range-doppler maps and lidar scans. We also show how combining multiple sensors can increase the robustness, by reducing the number of false matches. We evaluate on a dataset captured with a mobile robot navigating in a warehouse-like environment, moving through different aisles with similar appearance, making it hard for the SLAM algorithms to disambiguate locations.
• Abstract（参考訳）: RatSLAMのような生物学的にインスパイアされた、同時位置決めとマッピング(SLAM)のためのアルゴリズムは、屋内と屋外の両方で効果的で堅牢なロボットナビゲーションをもたらすことが示されている。 しかし1つの欠点は、低次元感覚テンプレートのテンプレートマッチングによる知覚エイリアスに対する感受性である。 本稿では,ラットラムに使用可能な低次元潜在状態記述子を生成する教師なし表現学習手法を提案する。 本手法はセンサ非依存であり,カメラ画像,レーダーレンジドップラーマップ,ライダースキャンなど,あらゆるセンサモダリティに適用可能である。 また,複数のセンサを組み合わせることで,一致回数を減らし,ロバスト性を高めることを示す。 倉庫のような環境で移動する移動ロボットで収集したデータセットを評価し,類似した外観の異なる通路を移動させることで,slamアルゴリズムでは位置の曖昧さを解消することが困難となる。

関連論文リスト

• SemanticSLAM: Learning based Semantic Map Construction and Robust Camera Localization [8.901799744401314]
  本稿では,エンド・ツー・エンドの視覚-慣性オドメトリーシステムであるSemanticSLAMを紹介する。 SemanticSLAMはRGB-Dセンサーから抽出された意味的特徴を使用する。 室内環境では、頻繁にカメラを入力しても効果的に機能する。
  論文  参考訳（メタデータ） (2024-01-23T20:02:02Z)
• LCPR: A Multi-Scale Attention-Based LiDAR-Camera Fusion Network for Place Recognition [11.206532393178385]
  本稿では,マルチモーダル位置認識のための新しいニューラルネットワークLCPRを提案する。 位置認識性能を向上させるために,マルチビューカメラとLiDARデータを効果的に利用することができる。
  論文  参考訳（メタデータ） (2023-11-06T15:39:48Z)
• UnLoc: A Universal Localization Method for Autonomous Vehicles using LiDAR, Radar and/or Camera Input [51.150605800173366]
  UnLocは、全ての気象条件におけるマルチセンサー入力によるローカライズのための、新しい統一型ニューラルネットワークアプローチである。 本手法は,Oxford Radar RobotCar,Apollo SouthBay,Perth-WAの各データセットで広く評価されている。
  論文  参考訳（メタデータ） (2023-07-03T04:10:55Z)
• UncLe-SLAM: Uncertainty Learning for Dense Neural SLAM [60.575435353047304]
  我々は、高密度ニューラルネットワークの同時局所化とマッピング(SLAM)のための不確実性学習フレームワークを提案する。 本稿では,2次元入力データのみから自己教師付きで学習可能なセンサ不確実性推定のためのオンラインフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-19T16:26:25Z)
• Neural Implicit Dense Semantic SLAM [83.04331351572277]
  本稿では,屋内シーンのメモリ効率,高密度な3次元形状,セマンティックセマンティックセグメンテーションをオンラインで学習する新しいRGBD vSLAMアルゴリズムを提案する。 私たちのパイプラインは、従来の3Dビジョンベースのトラッキングとループクローズとニューラルフィールドベースのマッピングを組み合わせたものです。 提案アルゴリズムはシーン認識を大幅に向上させ,様々なロボット制御問題を支援する。
  論文  参考訳（メタデータ） (2023-04-27T23:03:52Z)
• 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)
• Semantics-aware Adaptive Knowledge Distillation for Sensor-to-Vision Action Recognition [131.6328804788164]
  本稿では,視覚・センサ・モダリティ(動画)における行動認識を強化するためのフレームワーク,Semantics-Aware Adaptive Knowledge Distillation Networks (SAKDN)を提案する。 SAKDNは複数のウェアラブルセンサーを教師のモダリティとして使用し、RGB動画を学生のモダリティとして使用している。
  論文  参考訳（メタデータ） (2020-09-01T03:38:31Z)
• Graph-based Proprioceptive Localization Using a Discrete Heading-Length Feature Sequence Matching Approach [14.356113113268389]
  Proprioceptive Localizationは、新しいタイプのロボットエゴセントリックなローカライゼーション手法を指す。 これらの方法は自然に悪天候、照明条件、その他の極端な環境条件に免疫がある。 環境条件の厳しい環境条件下で、ローカライゼーションのための低コストなフォールバックソリューションを提供する。
  論文  参考訳（メタデータ） (2020-05-27T23:10:15Z)
• DynamicSLAM: Leveraging Human Anchors for Ubiquitous Low-Overhead Indoor Localization [5.198840934055703]
  DynamicSLAM は室内でのローカライゼーション技術であり、キャリブレーションの手間を省く。 我々は,携帯電話の慣性センサーを用いてユーザの進路を追跡する。 DynamicSLAMは、環境内の他のユーザとの遭遇に基づいて、モバイルヒューマンアンカーという新しい概念を導入している。
  論文  参考訳（メタデータ） (2020-03-30T19:49:31Z)
• Deep Soft Procrustes for Markerless Volumetric Sensor Alignment [81.13055566952221]
  本研究では、より堅牢なマルチセンサ空間アライメントを実現するために、マーカーレスデータ駆動対応推定を改善する。 我々は、幾何学的制約を終末的に典型的なセグメンテーションベースモデルに組み込み、対象のポーズ推定タスクと中間密な分類タスクをブリッジする。 実験により,マーカーベースの手法で同様の結果が得られ,マーカーレス手法よりも優れ,またキャリブレーション構造のポーズ変動にも頑健であることがわかった。
  論文  参考訳（メタデータ） (2020-03-23T10:51:32Z)

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。