Fugu-MT 論文翻訳(概要): Improved Radar Localization on Lidar Maps Using Shared Embedding

論文の概要: Improved Radar Localization on Lidar Maps Using Shared Embedding

arxiv url: http://arxiv.org/abs/2106.10000v1
Date: Fri, 18 Jun 2021 08:40:04 GMT
ステータス: 処理完了
システム内更新日: 2021-06-21 14:01:00.987221
Title: Improved Radar Localization on Lidar Maps Using Shared Embedding
Title（参考訳）: 共有埋め込みを用いたライダーマップのレーダ位置改善
Authors: Huan Yin, Yue Wang and Rong Xiong
Abstract要約: 本稿では,レーダグローバルローカライゼーションを解くためのフレームワークと,事前に構築したライダーマップ上でのポーズトラッキングを提案する。ディープニューラルネットワークは、レーダースキャンとライダーマップのための共有埋め込みスペースを作成するために構築されている。
参考スコア（独自算出の注目度）: 12.65429845365685
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We present a heterogeneous localization framework for solving radar global localization and pose tracking on pre-built lidar maps. To bridge the gap of sensing modalities, deep neural networks are constructed to create shared embedding space for radar scans and lidar maps. Herein learned feature embeddings are supportive for similarity measurement, thus improving map retrieval and data matching respectively. In RobotCar and MulRan datasets, we demonstrate the effectiveness of the proposed framework with the comparison to Scan Context and RaLL. In addition, the proposed pose tracking pipeline is with less neural networks compared to the original RaLL.
Abstract（参考訳）: 本論文では,事前構築したlidarマップ上でのレーダグローバルローカライズとポーズ追跡を解決するための異種ローカライズフレームワークを提案する。センシングモードのギャップを埋めるために、ディープニューラルネットワークが構築され、レーダースキャンとlidarマップのための共有埋め込みスペースが構築される。学習した特徴埋め込みは類似度の測定に役立ち、マップ検索とデータマッチングがそれぞれ改善される。 RobotCarとMulRanのデータセットでは、提案フレームワークの有効性をScan ContextとRaLLと比較して示す。さらに、提案されたポーズトラッキングパイプラインは、オリジナルのRaLLと比較してニューラルネットワークが少ない。

関連論文リスト

SparseRadNet: Sparse Perception Neural Network on Subsampled Radar Data [5.344444942640663]
レーダー生データは、しばしば過剰なノイズを含むが、レーダー点雲は限られた情報しか保持しない。本稿では,適応的なサブサンプリング手法と,空間パターンを利用したネットワークアーキテクチャを提案する。 RADIalデータセットの実験により,SparseRadNetはオブジェクト検出における最先端(SOTA)性能を超え,自由空間セグメンテーションにおけるSOTA精度に近づいた。
論文参考訳（メタデータ） (2024-06-15T11:26:10Z)
RaLF: Flow-based Global and Metric Radar Localization in LiDAR Maps [9.693729708337125]
我々は、環境のLiDARマップにレーダースキャンをローカライズするための、新しいディープニューラルネットワークベースのアプローチであるRaLFを提案する。 RaLFは、レーダーとLiDAR機能エンコーダ、グローバルなディスクリプタを生成する場所認識ヘッド、レーダースキャンとマップ間の3DF変換を予測するメートル法ローカライゼーションヘッドで構成されている。複数の実世界の運転データセットに対する我々のアプローチを広く評価し、RaLFが位置認識とメートル法ローカライゼーションの両方において最先端のパフォーマンスを達成することを示す。
論文参考訳（メタデータ） (2023-09-18T15:37:01Z)
Semantic Segmentation of Radar Detections using Convolutions on Point Clouds [59.45414406974091]
本稿では,レーダ検出を点雲に展開する深層学習手法を提案する。このアルゴリズムは、距離依存クラスタリングと入力点雲の事前処理により、レーダ固有の特性に適応する。我々のネットワークは、レーダポイント雲のセマンティックセグメンテーションのタスクにおいて、PointNet++に基づく最先端のアプローチよりも優れています。
論文参考訳（メタデータ） (2023-05-22T07:09:35Z)
Subspace Perturbation Analysis for Data-Driven Radar Target Localization [20.34399283905663]
我々は、サブスペース分析を用いて、ミスマッチしたシナリオ間でレーダーターゲットのローカライゼーション精度をベンチマークする。ミスマッチした制約領域に変動強度のターゲットをランダムに配置することで、包括的データセットを生成する。畳み込みニューラルネットワークを用いて,これらの熱マップテンソルからターゲット位置を推定する。
論文参考訳（メタデータ） (2023-03-14T21:22:26Z)
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)
Large-Scale Topological Radar Localization Using Learned Descriptors [15.662820454886202]
本稿では、レーダースキャン画像から回転不変なグローバルディスクリプタを計算するための、単純かつ効率的なディープネットワークアーキテクチャを提案する。提案手法の性能と一般化能力を2つの大規模運転データセットで実験的に評価した。
論文参考訳（メタデータ） (2021-10-06T21:57:23Z)
GANav: Group-wise Attention Network for Classifying Navigable Regions in Unstructured Outdoor Environments [54.21959527308051]
本稿では,RGB画像から,オフロード地形および非構造環境における安全かつ航行可能な領域を識別する新しい学習手法を提案する。本手法は,粒度の粗いセマンティックセグメンテーションを用いて,そのナビビリティレベルに基づいて地形分類群を分類する。 RUGD と RELLIS-3D のデータセットを広範囲に評価することにより,我々の学習アルゴリズムがナビゲーションのためのオフロード地形における視覚知覚の精度を向上させることを示す。
論文参考訳（メタデータ） (2021-03-07T02:16:24Z)
Unsupervised Metric Relocalization Using Transform Consistency Loss [66.19479868638925]
メートル法再ローカライズを行うためのトレーニングネットワークは、従来、正確な画像対応が必要である。地図内のクエリ画像のローカライズは、登録に使用される参照画像に関係なく、同じ絶対的なポーズを与えるべきである。提案手法は, 限られた地下構造情報が得られる場合に, 他の教師あり手法よりも優れていることを示す。
論文参考訳（メタデータ） (2020-11-01T19:24:27Z)
Depth Estimation from Monocular Images and Sparse Radar Data [93.70524512061318]
本稿では,ディープニューラルネットワークを用いた単眼画像とレーダ点の融合により,より正確な深度推定を実現する可能性を検討する。レーダ測定で発生するノイズが,既存の融合法の適用を妨げている主要な理由の1つであることが判明した。実験はnuScenesデータセット上で行われ、カメラ、レーダー、LiDARの記録を様々な場面と気象条件で記録する最初のデータセットの1つである。
論文参考訳（メタデータ） (2020-09-30T19:01:33Z)
RaLL: End-to-end Radar Localization on Lidar Map Using Differentiable Measurement Model [14.155337185792279]
ライダーマップ(RaLL)上でのレーダローカライゼーションのためのエンドツーエンドディープラーニングフレームワークを提案する。 RaLLは成熟ライダーマッピング技術を利用しており、レーダマッピングのコストを低減している。提案システムは,英国におけるモデルトレーニングの一般化シナリオにおいても,90km以上の運転性能を実現する。
論文参考訳（メタデータ） (2020-09-15T13:13:38Z)
Radar-based Dynamic Occupancy Grid Mapping and Object Detection [55.74894405714851]
近年、古典的占有グリッドマップのアプローチが動的占有グリッドマップに拡張されている。本稿では,従来のアプローチのさらなる発展について述べる。複数のレーダセンサのデータを融合し、グリッドベースの物体追跡・マッピング手法を適用する。
論文参考訳（メタデータ） (2020-08-09T09:26:30Z)

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。