論文の概要: Unified Representation of Geometric Primitives for Graph-SLAM
Optimization Using Decomposed Quadrics
- arxiv url: http://arxiv.org/abs/2108.08957v1
- Date: Fri, 20 Aug 2021 01:06:51 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-23 23:29:42.957619
- Title: Unified Representation of Geometric Primitives for Graph-SLAM
Optimization Using Decomposed Quadrics
- Title(参考訳): 分解二次数を用いたグラフスラム最適化のための幾何学的プリミティブの統一表現
- Authors: Weikun Zhen, Huai Yu, Yaoyu Hu, Sebastian Scherer
- Abstract要約: この研究は、高レベルの幾何学的プリミティブのパラメータ化問題に焦点を当てている。
まず、これらの幾何学的プリミティブの統一表現を、一貫した簡潔な定式化をもたらすエンフカドリックを用いて提示する。
シミュレーション実験では, 分解された定式化は, 基本パラメータ化よりも高い効率とロバスト性を有することが示された。
- 参考スコア(独自算出の注目度): 12.096145632383418
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In Simultaneous Localization And Mapping (SLAM) problems, high-level
landmarks have the potential to build compact and informative maps compared to
traditional point-based landmarks. This work is focused on the parameterization
problem of high-level geometric primitives that are most frequently used,
including points, lines, planes, ellipsoids, cylinders, and cones. We first
present a unified representation of those geometric primitives using
\emph{quadrics} which yields a consistent and concise formulation. Then we
further study a decomposed model of quadrics that discloses the symmetric and
degenerated nature of quadrics. Based on the decomposition, we develop
physically meaningful quadrics factors in the settings of the graph-SLAM
problem. Finally, in simulation experiments, it is shown that the decomposed
formulation has better efficiency and robustness to observation noises than
baseline parameterizations. And in real-world experiments, the proposed
back-end framework is demonstrated to be capable of building compact and
regularized maps.
- Abstract(参考訳): SLAM問題では、高レベルのランドマークは、従来のポイントベースのランドマークと比較してコンパクトで情報的なマップを構築する可能性がある。
この研究は、点、線、平面、楕円形、シリンダー、円錐など、最も頻繁に使用される高水準幾何学的プリミティブのパラメータ化問題に焦点を当てている。
まず、これらの幾何学的プリミティブの統一表現を \emph{quadrics} を用いて提示し、一貫した簡潔な定式化をもたらす。
さらに,二次の対称的および縮退的性質を開示する二次の分解モデルについても検討する。
この分解に基づいて,グラフスラム問題の設定において,物理的に有意な二次因子を展開する。
最後に, シミュレーション実験において, 分解された定式化はベースラインパラメータ化よりも, 観測ノイズに対する効率とロバスト性が向上することを示した。
実世界の実験では、提案したバックエンドフレームワークがコンパクトで規則化された地図を構築できることが実証されている。
関連論文リスト
- Adaptive Surface Normal Constraint for Geometric Estimation from
Monocular Images [59.00008891108098]
本稿では,幾何学的文脈を取り入れつつ,画像から深度や表面正規度などの測地を学習するための新しい手法を提案する。
提案手法は,入力画像に存在する幾何学的変動を符号化した幾何学的文脈を抽出し,幾何的制約と深度推定を相関付ける。
本手法は,画像から高品質な3次元形状を生成可能な密着型フレームワーク内での深度と表面の正規分布推定を統一する。
論文 参考訳(メタデータ) (2024-02-08T17:57:59Z) - Improving embedding of graphs with missing data by soft manifolds [51.425411400683565]
グラフ埋め込みの信頼性は、連続空間の幾何がグラフ構造とどの程度一致しているかに依存する。
我々は、この問題を解決することができる、ソフト多様体と呼ばれる新しい多様体のクラスを導入する。
グラフ埋め込みにソフト多様体を用いることで、複雑なデータセット上のデータ解析における任意のタスクを追求するための連続空間を提供できる。
論文 参考訳(メタデータ) (2023-11-29T12:48:33Z) - Learning Graphical Factor Models with Riemannian Optimization [70.13748170371889]
本稿では,低ランク構造制約下でのグラフ学習のためのフレキシブルなアルゴリズムフレームワークを提案する。
この問題は楕円分布のペナルティ化された最大推定値として表される。
楕円モデルによく適合する正定行列と定ランクの正半定行列のジオメトリを利用する。
論文 参考訳(メタデータ) (2022-10-21T13:19:45Z) - Deep neural networks on diffeomorphism groups for optimal shape
reparameterization [44.99833362998488]
基本微分同相の合成による配向保存微分同相の近似を構成するアルゴリズムを提案する。
このアルゴリズムはPyTorchを用いて実装され、非パラメータ化された曲線と曲面の両方に適用できる。
論文 参考訳(メタデータ) (2022-07-22T15:25:59Z) - Object Structural Points Representation for Graph-based Semantic
Monocular Localization and Mapping [9.61301182502447]
本稿では,単一分子意味論的SLAMシステムにおいて,対象の幾何学をランドマークとして用いるための,構造点に基づく効率的な表現法を提案する。
特に、ポーズグラフ内のランドマークノードに対して、オブジェクトの位置、向き、サイズ/スケールを格納する逆深さパラメトリゼーションを提案する。
論文 参考訳(メタデータ) (2022-06-21T11:32:55Z) - Relative Pose from SIFT Features [50.81749304115036]
基本行列の未知元と向きとスケールに関する新しい線形制約を導出する。
提案した制約は、合成環境における多くの問題と、80000以上の画像ペア上で公開されている実世界のデータセットでテストされる。
論文 参考訳(メタデータ) (2022-03-15T14:16:39Z) - Deep Networks on Toroids: Removing Symmetries Reveals the Structure of
Flat Regions in the Landscape Geometry [3.712728573432119]
我々は、すべての対称性を除去し、トロイダルトポロジーをもたらす標準化されたパラメータ化を開発する。
最小化器の平坦性とそれらの接続する測地線経路の有意義な概念を導出する。
また、勾配勾配の変種によって発見された最小化器は、ゼロエラー経路と1つの曲がり角で接続可能であることも見いだした。
論文 参考訳(メタデータ) (2022-02-07T09:57:54Z) - T-LoHo: A Bayesian Regularization Model for Structured Sparsity and
Smoothness on Graphs [0.0]
グラフ構造化データでは、構造化されたスパーシリティと滑らかさが団結する傾向にある。
グラフィカルな関係を持つ高次元パラメータに先立って提案する。
構造された空間と滑らかさを同時に検出するために使用します。
論文 参考訳(メタデータ) (2021-07-06T10:10:03Z) - Self-supervised Geometric Perception [96.89966337518854]
自己教師付き幾何知覚(self-supervised geometric perception)は、基底幾何モデルラベルなしで対応マッチングのための特徴記述子を学ぶためのフレームワークである。
また,SGPは,地上トラスラベルを用いて訓練した教師付きオークルよりも同等か優れる最先端性能を達成できることを示す。
論文 参考訳(メタデータ) (2021-03-04T15:34:43Z) - Articulated Shape Matching Using Laplacian Eigenfunctions and
Unsupervised Point Registration [38.16866987817019]
スペクトルグラフ理論は、これらのグラフを低次元空間にマッピングし、それらの埋め込みを整列させることで形状と一致させることができる。
我々は、ラプラシア行列の固有関数の最適部分集合を選択することによって、2つの同値な$K$-次元の点集合の最良の整合を求める新しい定式化を導出する。
論文 参考訳(メタデータ) (2020-12-14T08:49:25Z) - Convex Geometry and Duality of Over-parameterized Neural Networks [70.15611146583068]
有限幅2層ReLUネットワークの解析のための凸解析手法を開発した。
正規化学習問題に対する最適解が凸集合の極点として特徴づけられることを示す。
高次元では、トレーニング問題は無限に多くの制約を持つ有限次元凸問題としてキャストできることが示される。
論文 参考訳(メタデータ) (2020-02-25T23:05:33Z)
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。