論文の概要: Stein ICP for Uncertainty Estimation in Point Cloud Matching

• arxiv url: http://arxiv.org/abs/2106.03287v1
• Date: Mon, 7 Jun 2021 01:07:34 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-08 17:33:11.214004
• Title: Stein ICP for Uncertainty Estimation in Point Cloud Matching
• Title（参考訳）: 点クラウドマッチングにおける不確実性推定のためのstein icp
• Authors: Fahira Afzal Maken, Fabio Ramos, Lionel Ott
• Abstract要約: 点雲マッチングにおける不確実性の定量化は、ポーズ推定、センサー融合、把握といった多くのタスクにおいて重要である。 反復最近点 (ICP) は、2つの点雲間の変換の点推定を提供する、一般的に使用されるポーズ推定アルゴリズムである。 我々は,ICPの変換パラメータの不確かさを正確に推定できる2点雲を整列する新しいアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 41.22194677919566
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantification of uncertainty in point cloud matching is critical in many tasks such as pose estimation, sensor fusion, and grasping. Iterative closest point (ICP) is a commonly used pose estimation algorithm which provides a point estimate of the transformation between two point clouds. There are many sources of uncertainty in this process that may arise due to sensor noise, ambiguous environment, and occlusion. However, for safety critical problems such as autonomous driving, a point estimate of the pose transformation is not sufficient as it does not provide information about the multiple solutions. Current probabilistic ICP methods usually do not capture all sources of uncertainty and may provide unreliable transformation estimates which can have a detrimental effect in state estimation or decision making tasks that use this information. In this work we propose a new algorithm to align two point clouds that can precisely estimate the uncertainty of ICP's transformation parameters. We develop a Stein variational inference framework with gradient based optimization of ICP's cost function. The method provides a non-parametric estimate of the transformation, can model complex multi-modal distributions, and can be effectively parallelized on a GPU. Experiments using 3D kinect data as well as sparse indoor/outdoor LiDAR data show that our method is capable of efficiently producing accurate pose uncertainty estimates.
• Abstract（参考訳）: 点雲マッチングの不確実性の定量化は、ポーズ推定、センサー融合、把握といった多くのタスクにおいて重要である。 反復最接近点 (icp) は、2つの点雲間の変換の点推定を提供する一般的なポーズ推定アルゴリズムである。 この過程にはセンサノイズ、あいまいな環境、および閉塞によって生じる可能性のある不確実性の原因が数多く存在する。 しかし、自動運転のような安全上重要な問題では、複数の解に関する情報を提供しないため、ポーズ変換のポイント推定は不十分である。 現在の確率的ICP法は、通常、不確実性のすべての源を捉えておらず、状態推定や意思決定タスクにおいて有害な影響を持つ信頼できない変換推定を提供する。 本研究では、ICPの変換パラメータの不確かさを正確に推定できる2点の雲を整列する新しいアルゴリズムを提案する。 我々はICPのコスト関数の勾配に基づく最適化を施したスタイン変分推論フレームワークを開発した。 この方法は変換の非パラメトリック推定を提供し、複雑なマルチモーダル分布をモデル化でき、GPU上で効果的に並列化することができる。 3d kinectデータと屋内外lidarデータを用いて実験した結果,精度の高いポーズ不確実性推定を効率的に生成できることがわかった。

関連論文リスト

• Robust Two-View Geometry Estimation with Implicit Differentiation [2.048226951354646]
  本稿では,新しい2次元幾何推定フレームワークを提案する。 これは微分可能なロバスト損失関数のフィッティングに基づいている。 本研究では,屋外シナリオと屋内シナリオの両方において,カメラポーズ推定タスクに対するアプローチを評価する。
  論文  参考訳（メタデータ） (2024-10-23T15:51:33Z)
• Towards Consistent Object Detection via LiDAR-Camera Synergy [17.665362927472973]
  物体の位置を点雲と画像の両方で検出できる既存のモデルは存在しない。 本稿では,エンドツーエンドの一貫性オブジェクト検出(COD)アルゴリズムフレームワークを提案する。 本稿では,点雲と画像間の物体相関の精度を評価するために,新しい評価指標である一貫性精度(Consistency Precision)を提案する。
  論文  参考訳（メタデータ） (2024-05-02T13:04:26Z)
• Deep Bayesian ICP Covariance Estimation [3.5136071950790737]
  イテレーティブクローズトポイント(ICP)ポイントクラウド登録アルゴリズムは、状態推定とセンサ融合のために不可欠である。 我々は、ICPの主なエラー源は、センサノイズからシーン形状に至るまで、入力データそのものにあると主張している。 近年の深層学習によるポイントクラウドの活用により,ICPのエラーモデルを学ぶためのデータ駆動型アプローチを提案する。
  論文  参考訳（メタデータ） (2022-02-23T16:42:04Z)
• NUQ: Nonparametric Uncertainty Quantification for Deterministic Neural Networks [151.03112356092575]
  本研究では,Nadaraya-Watson の条件付きラベル分布の非パラメトリック推定に基づく分類器の予測の不確かさの測定方法を示す。 種々の実世界の画像データセットにおける不確実性推定タスクにおいて,本手法の強い性能を示す。
  論文  参考訳（メタデータ） (2022-02-07T12:30:45Z)
• CertainNet: Sampling-free Uncertainty Estimation for Object Detection [65.28989536741658]
  ニューラルネットワークの不確実性を推定することは、安全クリティカルな設定において基本的な役割を果たす。 本研究では,オブジェクト検出のための新しいサンプリング不要不確実性推定法を提案する。 私たちはそれをCertainNetと呼び、各出力信号に対して、オブジェクト性、クラス、位置、サイズという、別の不確実性を提供するのは、これが初めてです。
  論文  参考訳（メタデータ） (2021-10-04T17:59:31Z)
• PDC-Net+: Enhanced Probabilistic Dense Correspondence Network [161.76275845530964]
  高度確率密度対応ネットワーク(PDC-Net+)は、精度の高い高密度対応を推定できる。 我々は、堅牢で一般化可能な不確実性予測に適したアーキテクチャと強化されたトレーニング戦略を開発する。 提案手法は,複数の挑戦的幾何マッチングと光学的フローデータセットに対して,最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-09-28T17:56:41Z)
• Uncertainty-Aware Camera Pose Estimation from Points and Lines [101.03675842534415]
  Perspective-n-Point-and-Line (Pn$PL) は、2D-3D特徴座標の3Dモデルに関して、高速で正確で堅牢なカメラローカライゼーションを目指している。
  論文  参考訳（メタデータ） (2021-07-08T15:19:36Z)
• Localization Uncertainty Estimation for Anchor-Free Object Detection [48.931731695431374]
  アンカーベース物体検出のための既存の不確実性推定手法にはいくつかの制限がある。 アンカーフリー物体検出のためのUADと呼ばれる新しい位置推定不確実性推定手法を提案する。 本手法は,ボックスオフセットの4方向の不確かさを均一に捉え,どの方向が不確実であるかを判断する。
  論文  参考訳（メタデータ） (2020-06-28T13:49:30Z)

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。