論文の概要: Solving Occlusion in Terrain Mapping with Neural Networks

• arxiv url: http://arxiv.org/abs/2109.07150v1
• Date: Wed, 15 Sep 2021 08:30:16 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-17 00:03:10.246866
• Title: Solving Occlusion in Terrain Mapping with Neural Networks
• Title（参考訳）: ニューラルネットワークを用いた地形マッピングにおけるオクルージョンの解法
• Authors: Maximilian St\"olzle, Takahiro Miki, Levin Gerdes, Martin Azkarate, and Marco Hutter
• Abstract要約: 本研究では,実世界のデータに基づいて,地上情報を必要としない自己教師付き学習手法を提案する。 私たちのニューラルネットワークは、自律的な地上ロボットに適したサンプリングレートで、CPUとGPUの両方でリアルタイムで実行できます。
• 参考スコア（独自算出の注目度）: 7.703348666813963
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate and complete terrain maps enhance the awareness of autonomous robots and enable safe and optimal path planning. Rocks and topography often create occlusions and lead to missing elevation information in the Digital Elevation Map (DEM). Currently, mostly traditional inpainting techniques based on diffusion or patch-matching are used by autonomous mobile robots to fill-in incomplete DEMs. These methods cannot leverage the high-level terrain characteristics and the geometric constraints of line of sight we humans use intuitively to predict occluded areas. We propose to use neural networks to reconstruct the occluded areas in DEMs. We introduce a self-supervised learning approach capable of training on real-world data without a need for ground-truth information. We accomplish this by adding artificial occlusion to the incomplete elevation maps constructed on a real robot by performing ray casting. We first evaluate a supervised learning approach on synthetic data for which we have the full ground-truth available and subsequently move to several real-world datasets. These real-world datasets were recorded during autonomous exploration of both structured and unstructured terrain with a legged robot, and additionally in a planetary scenario on Lunar analogue terrain. We state a significant improvement compared to the Telea and Navier-Stokes baseline methods both on synthetic terrain and for the real-world datasets. Our neural network is able to run in real-time on both CPU and GPU with suitable sampling rates for autonomous ground robots.
• Abstract（参考訳）: 正確な地形地図は自律ロボットの認識を高め、安全かつ最適な経路計画を可能にする。 岩石や地形は、しばしばオクルージョンを生成し、デジタル標高マップ(DEM)に欠落した標高情報をもたらす。 現在、拡散やパッチマッチングに基づく従来の塗装技術は、自律移動ロボットによって不完全なDEMを埋めるために使われている。 これらの手法では高レベルな地形特性や視線の幾何学的制約を人間が直感的に利用して遮蔽領域を予測することはできない。 本稿では,DEMの隠蔽領域をニューラルネットワークで再構築することを提案する。 本研究は,実世界データ上で地中情報を必要とせずに学習できる自己教師付き学習手法を提案する。 本研究では,実ロボット上に構築した不完全高度マップに人工咬合を付加し,レイキャスティングを行う。 まず,合成データの教師あり学習手法を評価し,実世界のデータセットに移行した。 これらの実世界のデータセットは、足のついたロボットで構造化された地形と非構造的な地形の自律的な探査中に記録された。 人工地形と実世界のデータセットの両方において,teleaおよびnavier-stokesのベースライン手法に比べて著しく改善した。 私たちのニューラルネットワークは、自律的な地上ロボットに適したサンプリングレートで、CPUとGPUの両方でリアルタイムで実行できます。

関連論文リスト

• Learning Humanoid Locomotion over Challenging Terrain [84.35038297708485]
  本研究では,自然と人為的な地形を横断する視覚障害者の移動に対する学習に基づくアプローチを提案する。 本モデルではまず, 時系列モデルを用いた平地軌道のデータセット上で事前学習を行い, 補強学習を用いて不均一な地形を微調整する。 本研究では, 荒面, 変形面, 傾斜面など, 様々な地形にまたがる実際のヒューマノイドロボットを用いて, モデルを評価する。
  論文  参考訳（メタデータ） (2024-10-04T17:57:09Z)
• Legged Robot State Estimation With Invariant Extended Kalman Filter Using Neural Measurement Network [2.0405494347486197]
  我々は、ニューラルネットワーク(NMN)と不変拡張カルマンフィルタを統合する状態推定フレームワークを開発した。 提案手法は,既存のモデルベース状態推定器と比較して位置ドリフトを著しく低減する。
  論文  参考訳（メタデータ） (2024-02-01T06:06:59Z)
• IR-MCL: Implicit Representation-Based Online Global Localization [31.77645160411745]
  本稿では,室内環境におけるロボットの姿勢を2次元LiDARデータを用いて推定する問題に対処する。 ニューラルネットワークを用いてシーンを暗黙的に表現するためのニューラルネットワーク占有場(NOF)を提案する。 本研究では,最先端手法のローカライズ性能を超越したアプローチを用いて,ロボットを高精度かつ効率的にローカライズできることを示す。
  論文  参考訳（メタデータ） (2022-10-06T17:59:08Z)
• Real-to-Sim: Predicting Residual Errors of Robotic Systems with Sparse Data using a Learning-based Unscented Kalman Filter [65.93205328894608]
  我々は,動的・シミュレータモデルと実ロボット間の残差を学習する。 学習した残差誤差により、動的モデル、シミュレーション、および実際のハードウェア間の現実的ギャップをさらに埋めることができることを示す。
  論文  参考訳（メタデータ） (2022-09-07T15:15:12Z)
• Neural Scene Representation for Locomotion on Structured Terrain [56.48607865960868]
  本研究では,都市環境を横断する移動ロボットの局所的な地形を再構築する学習手法を提案する。 搭載されたカメラとロボットの軌道からの深度測定のストリームを用いて、ロボットの近傍の地形を推定する。 ノイズ測定とカメラ配置の盲点からの大量の欠落データにもかかわらず,シーンを忠実に再構築する3次元再構成モデルを提案する。
  論文  参考訳（メタデータ） (2022-06-16T10:45:17Z)
• Embedding Earth: Self-supervised contrastive pre-training for dense land cover classification [61.44538721707377]
  本研究では,衛星画像の高可用性を活用するための自己監督型コントラスト事前学習法として,エンベディングアースを提案する。 提案手法による事前学習では, 25%の絶対mIoUが得られた。 学習した特徴は、異なる領域間で一般化され、提案した事前学習スキームの可能性を開放する。
  論文  参考訳（メタデータ） (2022-03-11T16:14:14Z)
• Kimera-Multi: Robust, Distributed, Dense Metric-Semantic SLAM for Multi-Robot Systems [92.26462290867963]
  Kimera-Multiは、最初のマルチロボットシステムであり、不正なインターループとイントラロボットループの閉鎖を識別し拒否することができる。 我々は、フォトリアリスティックシミュレーション、SLAMベンチマークデータセット、地上ロボットを用いて収集された屋外データセットの挑戦において、Kimera-Multiを実証した。
  論文  参考訳（メタデータ） (2021-06-28T03:56:40Z)
• Deep Learning Traversability Estimator for Mobile Robots in Unstructured Environments [11.042142015353626]
  本稿では,高度図や軌道図からエンドツーエンドで学習し,故障発生を推定する深層学習フレームワークを提案する。 アプリケーションに依存しない事前学習モデルの転送と微調整は、ほとんど利用可能な実データに基づいて一意にトレーニングするよりも優れた性能を保っていることを示す。
  論文  参考訳（メタデータ） (2021-05-23T13:49:05Z)
• Task-relevant Representation Learning for Networked Robotic Perception [74.0215744125845]
  本稿では,事前学習されたロボット知覚モデルの最終的な目的と協調して設計された感覚データのタスク関連表現を学習するアルゴリズムを提案する。 本アルゴリズムは,ロボットの知覚データを競合する手法の最大11倍まで積極的に圧縮する。
  論文  参考訳（メタデータ） (2020-11-06T07:39:08Z)
• Learning Topometric Semantic Maps from Occupancy Grids [2.5234065536725963]
  本稿では,このようなインスタンスベースのセマンティックマップを,占有グリッドから純粋に抽出する手法を提案する。 我々は、ランダムな大きさの地図からドア仮説を検出し、セグメンテーションし、抽出するために、深層学習技術を組み合わせている。 提案手法を,公開されている実世界の複数のデータセットに対して評価する。
  論文  参考訳（メタデータ） (2020-01-10T22:06:10Z)

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。