論文の概要: COVINS: Visual-Inertial SLAM for Centralized Collaboration
- arxiv url: http://arxiv.org/abs/2108.05756v1
- Date: Thu, 12 Aug 2021 13:50:44 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-13 14:21:59.494131
- Title: COVINS: Visual-Inertial SLAM for Centralized Collaboration
- Title（参考訳）: COVINS: 集中コラボレーションのためのビジュアル慣性SLAM
- Authors: Patrik Schmuck, Thomas Ziegler, Marco Karrer, Jonathan Perraudin,
Margarita Chli
- Abstract要約: 協調的SLAMは、エージェントのグループが同時に環境を局所化し、共同でマッピングすることを可能にする。
本稿では,大規模環境においてマルチエージェントでスケーラブルなSLAMを実現する,新しい協調SLAMシステムであるCOVINSについて述べる。
- 参考スコア（独自算出の注目度）: 11.65456841016608
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Collaborative SLAM enables a group of agents to simultaneously co-localize
and jointly map an environment, thus paving the way to wide-ranging
applications of multi-robot perception and multi-user AR experiences by
eliminating the need for external infrastructure or pre-built maps. This
article presents COVINS, a novel collaborative SLAM system, that enables
multi-agent, scalable SLAM in large environments and for large teams of more
than 10 agents. The paradigm here is that each agent runs visual-inertial
odomety independently onboard in order to ensure its autonomy, while sharing
map information with the COVINS server back-end running on a powerful local PC
or a remote cloud server. The server back-end establishes an accurate
collaborative global estimate from the contributed data, refining the joint
estimate by means of place recognition, global optimization and removal of
redundant data, in order to ensure an accurate, but also efficient SLAM
process. A thorough evaluation of COVINS reveals increased accuracy of the
collaborative SLAM estimates, as well as efficiency in both removing redundant
information and reducing the coordination overhead, and demonstrates successful
operation in a large-scale mission with 12 agents jointly performing SLAM.
- Abstract（参考訳）: コラボレーティブslamにより、エージェントのグループが同時に環境をローカライズし、協調的にマップすることが可能となり、外部インフラストラクチャや事前構築されたマップの必要性をなくし、マルチロボット認識やマルチユーザarエクスペリエンスの幅広いアプリケーションへの道を開くことができる。
この記事では、大規模環境および10以上のエージェントからなる大規模チームにおいて、マルチエージェントでスケーラブルなSLAMを可能にする、新しい協調SLAMシステムであるCOVINSについて述べる。
ここでのパラダイムは、各エージェントが独立して視覚的慣性オドメティを実行し、その自律性を確保すると同時に、強力なローカルPCまたはリモートクラウドサーバ上で動作するCOVINSサーババックエンドとマップ情報を共有することである。
サーババックエンドは、コントリビューションされたデータから正確な協調的グローバルな見積もりを確立し、正確なSLAMプロセスを保証するために、場所認識、グローバルな最適化、冗長なデータの除去によって共同見積を精算する。
COVINSの徹底的な評価により、協調SLAM推定の精度が向上し、冗長情報の除去と調整オーバーヘッドの低減の効率が向上し、12のエージェントが共同でSLAMを行う大規模ミッションでの運用が成功した。
関連論文リスト
- Self-Localized Collaborative Perception [49.86110931859302]
我々は,新しい自己局在型協調認識システムであるMathttCoBEVGlue$を提案する。
$mathttCoBEVGlue$は、エージェント間の相対的なポーズを提供する新しい空間アライメントモジュールである。
$mathttCoBEVGlue$は任意のローカライゼーションノイズとアタックの下で最先端の検出性能を達成する。
論文 参考訳（メタデータ） (2024-06-18T15:26:54Z) - What Makes Good Collaborative Views? Contrastive Mutual Information Maximization for Multi-Agent Perception [52.41695608928129]
マルチエージェント認識(MAP)は、複数のソースからのデータを解釈することで、自律システムが複雑な環境を理解することを可能にする。
本稿では,MAPにおける協調的視点の「良い」特性を探求することに焦点を当てた中間的協調について検討する。
中間コラボレーションのための新しいフレームワークCMiMCを提案する。
論文 参考訳（メタデータ） (2024-03-15T07:18:55Z) - Decentralized and Lifelong-Adaptive Multi-Agent Collaborative Learning [57.652899266553035]
分散型および生涯適応型多エージェント協調学習は、中央サーバを使わずに複数のエージェント間のコラボレーションを強化することを目的としている。
動的協調グラフを用いた分散マルチエージェント生涯協調学習アルゴリズムであるDeLAMAを提案する。
論文 参考訳（メタデータ） (2024-03-11T09:21:11Z) - APGL4SR: A Generic Framework with Adaptive and Personalized Global
Collaborative Information in Sequential Recommendation [86.29366168836141]
逐次推薦のための適応およびパーソナライズされたグラフ学習(APGL4SR)というグラフ駆動型フレームワークを提案する。
APGL4SRは、適応的でパーソナライズされたグローバルな協調情報をシーケンシャルレコメンデーションシステムに組み込む。
一般的なフレームワークとして、APGL4SRは大きなマージンを持つ他のベースラインよりも優れている。
論文 参考訳（メタデータ） (2023-11-06T01:33:24Z) - Collaborative Mean Estimation over Intermittently Connected Networks
with Peer-To-Peer Privacy [86.61829236732744]
本研究は、断続接続を有するネットワーク上での分散平均推定(DME)の問題について考察する。
目標は、中央サーバの助けを借りて、分散ノード間でローカライズされたデータサンプルに関するグローバル統計を学習することだ。
ノード間のデータ共有による協調中継とプライバシー漏洩のトレードオフについて検討する。
論文 参考訳（メタデータ） (2023-02-28T19:17:03Z) - COVINS-G: A Generic Back-end for Collaborative Visual-Inertial SLAM [13.190581566723917]
協調的SLAMは、マルチロボットシステムにおける知覚のコアである。
CoVINS-Gは、COVINSフレームワークをベースにした汎用バックエンドビルディングである。
我々は、最先端のマルチセッションおよび協調SLAMシステムを用いて、オンパー精度を示す。
論文 参考訳（メタデータ） (2023-01-17T19:23:54Z) - Learning Efficient Multi-Agent Cooperative Visual Exploration [18.42493808094464]
複数のエージェントによる視覚的屋内探索の課題を考察し、エージェントはできるだけ少ないステップで屋内全領域を探索する必要がある。
我々は、最先端の単一エージェントRLソリューションであるActive Neural SLAM(ANS)を、新しいRLベースのグローバルゴールプランナーであるSpatial Coordination Planner(SCP)を導入してマルチエージェント設定に拡張する。
SCPは、各エージェントの空間情報をエンドツーエンドに活用し、探索効率の高い異なる空間目標に向けて効果的にエージェントを誘導する。
論文 参考訳（メタデータ） (2021-10-12T04:48:10Z) - Locality Matters: A Scalable Value Decomposition Approach for
Cooperative Multi-Agent Reinforcement Learning [52.7873574425376]
協調型マルチエージェント強化学習(MARL)は,エージェント数で指数関数的に大きい状態空間と動作空間により,スケーラビリティの問題に直面する。
本稿では,学習分散実行パラダイムに局所報酬を組み込んだ,新しい価値に基づくマルチエージェントアルゴリズム LOMAQ を提案する。
論文 参考訳（メタデータ） (2021-09-22T10:08:15Z) - Collaborative Visual Inertial SLAM for Multiple Smart Phones [2.680317409645303]
マルチエージェント協調SLAMはマルチユーザARインタラクションの前提条件である。
我々は,集中型アーキテクチャを持つ複数のiosモバイルデバイスにデプロイされた協調的な単眼的視覚慣性SLAMを提案する。
提案方式のマッピングと融合の精度は,より高い計算資源を必要とするVINS-Monoに匹敵する。
論文 参考訳（メタデータ） (2021-06-23T06:24:04Z) - Distributed Resource Scheduling for Large-Scale MEC Systems: A
Multi-Agent Ensemble Deep Reinforcement Learning with Imitation Acceleration [44.40722828581203]
本稿では,各MECサーバにデプロイされた各エージェントのグローバル情報と分散意思決定に依存する集中型トレーニングを含む分散インテリジェントリソーススケジューリング(DIRS)フレームワークを提案する。
まず,マルチエージェント・アンサンブルを用いた分散強化学習(DRL)アーキテクチャを導入し,各エージェントの全体的なニューラルネットワーク構造を簡素化する。
第2に,提案したDIRSフレームワークの探索能力を高めるために,新しいL'evyフライトサーチにより,最適に近い状態対が得られた。
論文 参考訳（メタデータ） (2020-05-21T20:04:40Z)
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。