論文の概要: 3D map creation using crowdsourced GNSS data

• arxiv url: http://arxiv.org/abs/2106.00107v1
• Date: Mon, 31 May 2021 21:24:35 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-03 05:30:37.806285
• Title: 3D map creation using crowdsourced GNSS data
• Title（参考訳）: クラウドソースGNSSデータを用いた3次元地図作成
• Authors: Terence Lines (1) and Ana Basiri (1) ((1) School of Geographical and Earth Sciences, University of Glasgow)
• Abstract要約: 本稿では,GNSS(Global Navigation Satellite Systems)信号を用いて2.5Dマップを無償で作成するための新しい手法を提案し,実装する。 これにより、信号可用性のパターンを見つけ出し、3Dマップを作成することができる。 提案手法は, 自動処理データを用いて3次元地図を作成できることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: 3D maps are increasingly useful for many applications such as drone navigation, emergency services, and urban planning. However, creating 3D maps and keeping them up-to-date using existing technologies, such as laser scanners, is expensive. This paper proposes and implements a novel approach to generate 2.5D (otherwise known as 3D level-of-detail (LOD) 1) maps for free using Global Navigation Satellite Systems (GNSS) signals, which are globally available and are blocked only by obstacles between the satellites and the receivers. This enables us to find the patterns of GNSS signal availability and create 3D maps. The paper applies algorithms to GNSS signal strength patterns based on a boot-strapped technique that iteratively trains the signal classifiers while generating the map. Results of the proposed technique demonstrate the ability to create 3D maps using automatically processed GNSS data. The results show that the third dimension, i.e. height of the buildings, can be estimated with below 5 metre accuracy, which is the benchmark recommended by the CityGML standard.
• Abstract（参考訳）: 3Dマップは、ドローンナビゲーション、緊急サービス、都市計画など、多くのアプリケーションでますます有用になっている。 しかし、レーザースキャナーなどの既存の技術を使って3Dマップを作成し、最新に保つことは高価である。 本稿では、グローバルナビゲーション衛星システム(gnss)信号を用いて2.5d(その他3d level-of-detail(lod)1)の地図を無料で生成する新しい手法を提案し、実装する。 これにより、GNSS信号可用性のパターンを見つけ出し、3Dマップを作成することができる。 本論文は, ブートストラップ方式を用いて, 地図生成時に信号分類器を反復的に訓練するGNSS信号強度パターンにアルゴリズムを適用した。 提案手法は, 自動処理GNSSデータを用いて3次元マップを作成できることを示す。 その結果,3次元,すなわち3次元が得られた。 建物の高さは5メートル以下の精度で推定できるが、これはCityGML標準によって推奨されるベンチマークである。

関連論文リスト

• LoopSplat: Loop Closure by Registering 3D Gaussian Splats [21.93501886249626]
  LoopSplatはRGB-D画像を入力として取り出し、3DGSサブマップとフレーム・ツー・モデル追跡による密集マッピングを実行する。 LoopSplatはループ閉鎖をオンラインでトリガーし、サブマップ間の相対ループエッジ制約を直接3DGS登録を通じて計算する。
  論文  参考訳（メタデータ） (2024-08-19T17:04:18Z)
• Splat-SLAM: Globally Optimized RGB-only SLAM with 3D Gaussians [87.48403838439391]
  3D Splattingは、RGBのみの高密度SLAMの幾何学と外観の強力な表現として登場した。 本稿では,高密度な3次元ガウス写像表現を持つRGBのみのSLAMシステムを提案する。 Replica、TUM-RGBD、ScanNetのデータセットに対する実験は、グローバルに最適化された3Dガウスの有効性を示している。
  論文  参考訳（メタデータ） (2024-05-26T12:26:54Z)
• GaussNav: Gaussian Splatting for Visual Navigation [92.13664084464514]
  インスタンスイメージゴールナビゲーション(IIN)では、エージェントが探索されていない環境で、目標画像に描かれた特定のオブジェクトを見つける必要がある。 我々のフレームワークは3次元ガウススプラッティングに基づく新しい地図表現を構築する(3DGS) 我々のフレームワークは、Habitat-Matterport 3D(HM3D)データセットに挑戦するPath Length(SPL)が0.252から0.578に重み付けしたSuccessの増加によって証明された、パフォーマンスの著しい飛躍を示す。
  論文  参考訳（メタデータ） (2024-03-18T09:56:48Z)
• 3DGS-ReLoc: 3D Gaussian Splatting for Map Representation and Visual ReLocalization [13.868258945395326]
  本稿では,3次元ガウススプラッティングを用いた3次元マッピングと視覚的再局在のための新しいシステムを提案する。 提案手法は、LiDARとカメラデータを用いて、環境の正確な視覚的表現を生成する。
  論文  参考訳（メタデータ） (2024-03-17T23:06:12Z)
• SeMLaPS: Real-time Semantic Mapping with Latent Prior Networks and Quasi-Planar Segmentation [53.83313235792596]
  本稿では,RGB-Dシーケンスからのリアルタイム意味マッピングのための新しい手法を提案する。 2DニューラルネットワークとSLAMシステムに基づく3Dネットワークと3D占有マッピングを組み合わせる。 本システムは,2D-3Dネットワークベースシステムにおいて,最先端のセマンティックマッピング品質を実現する。
  論文  参考訳（メタデータ） (2023-06-28T22:36:44Z)
• 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)
• Fiducial Tag Localization on a 3D LiDAR Prior Map [0.6554326244334868]
  既存のLiDARフィデューシャルタグローカライズ法は3次元LiDARマップには適用されない。 我々は, 3次元LiDAR事前マップ上で, 画像タグを直接ローカライズする新しい手法を開発した。 我々は,3次元LiDARマップ上のタグのローカライズに適用可能な手法として,定性的かつ定量的な実験を行った。
  論文  参考訳（メタデータ） (2022-09-02T14:07:25Z)
• Human Activity Recognition Using 3D Orthogonally-projected EfficientNet on Radar Time-Range-Doppler Signature [26.3586963595992]
  本稿では,3次元時間領域ドップラー(TRD)表現の利用,および3次元直交投影型効率ネット(3D-OPEN)の設計を提案する。 提案モデルは,3次元特徴空間から投影される3次元平面の識別情報を集約する。 これはレーダー活動認識の最先端の手法を著しく、一貫して上回っている。
  論文  参考訳（メタデータ） (2021-11-24T09:47:50Z)
• HDNET: Exploiting HD Maps for 3D Object Detection [99.49035895393934]
  高精細度(hd)マップは、現代の3dオブジェクト検出器の性能と頑健性を高める強力な事前情報を提供する。 我々はHDマップから幾何学的特徴と意味的特徴を抽出する単一ステージ検出器を設計する。 地図は至る所では利用できないため、生のLiDARデータからフライ時の地図を推定するマップ予測モジュールも提案する。
  論文  参考訳（メタデータ） (2020-12-21T21:59:54Z)
• D3Feat: Joint Learning of Dense Detection and Description of 3D Local Features [51.04841465193678]
  私たちは3Dポイントクラウドに3D完全畳み込みネットワークを活用しています。 本稿では,3次元点ごとに検出スコアと記述特徴の両方を密に予測する,新しい,実践的な学習機構を提案する。 本手法は,屋内と屋外の両方のシナリオで最先端の手法を実現する。
  論文  参考訳（メタデータ） (2020-03-06T12:51:09Z)

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。