Fugu-MT 論文翻訳(概要): CT-ICP: Real-time Elastic LiDAR Odometry with Loop Closure

論文の概要: CT-ICP: Real-time Elastic LiDAR Odometry with Loop Closure

arxiv url: http://arxiv.org/abs/2109.12979v1
Date: Mon, 27 Sep 2021 12:08:26 GMT
ステータス: 処理完了
システム内更新日: 2021-09-28 23:07:13.712565
Title: CT-ICP: Real-time Elastic LiDAR Odometry with Loop Closure
Title（参考訳）: CT-ICP:ループクロージャを用いたリアルタイム弾性LiDARオドメトリー
Authors: Pierre Dellenbach, Jean-Emmanuel Deschaud, Bastien Jacquet, Fran\c{c}ois Goulette
Abstract要約: 我々はCT-ICPと呼ばれる新しいリアルタイムLiDARオドメトリー法とループ閉鎖を伴う完全なSLAMを提案する。登録はスキャン・トゥ・マップに基づいており、密度の高い点雲をスパース・ボクセルで構築した地図をリアルタイムで運用する。提案手法のロバスト性を示すため,7つのデータセット上で実験を行った。
参考スコア（独自算出の注目度）: 5.590924316241286
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Multi-beam LiDAR sensors are increasingly used in robotics, particularly for autonomous cars for localization and perception tasks. However, perception is closely linked to the localization task and the robot's ability to build a fine map of its environment. For this, we propose a new real-time LiDAR odometry method called CT-ICP, as well as a complete SLAM with loop closure. The principle of CT-ICP is to use an elastic formulation of the trajectory, with a continuity of poses intra-scan and discontinuity between scans, to be more robust to high frequencies in the movements of the sensor. The registration is based on scan-to-map with a dense point cloud as map structured in sparse voxels to operate in real time. At the same time, a fast method of loop closure detection using elevation images and an optimization of poses by graph allows to obtain a complete SLAM purely on LiDAR. To show the robustness of the method, we tested it on seven datasets: KITTI, KITTI-raw, KITTI-360, KITTI-CARLA, ParisLuco, Newer College, and NCLT in driving and high-frequency motion scenarios. The CT-ICP odometry is implemented in C++ and available online. The loop detection and pose graph optimization is in the framework pyLiDAR-SLAM in Python and also available online. CT-ICP is currently first, among those giving access to a public code, on the KITTI odometry leaderboard, with an average Relative Translation Error (RTE) of 0.59% and an average time per scan of 60ms on a CPU with a single thread.
Abstract（参考訳）: マルチビームlidarセンサーはロボティクス、特に自動運転車のローカライゼーションや認識タスクにますます使われている。しかし、認識は、その環境の詳細な地図を作成するロボットの能力と、局所化タスクと密接に関連している。そこで本研究では,CT-ICPと呼ばれる新しいリアルタイムLiDARオドメトリー法と,ループ閉鎖を伴うSLAMを提案する。 CT-ICPの原理は、軌跡の弾性的な定式化を用いて、走査内ポーズとスキャン間の不連続性を連続させ、センサーの動きにおいて高い周波数に対してより堅牢にすることである。登録はsparse voxelsで構造化された密度の高いポイントクラウドを持つscan-to-mapに基づいている。同時に、高度画像を用いた高速なループクロージャ検出法とグラフによるポーズの最適化により、LiDAR上で完全なSLAMが得られる。本手法のロバスト性を示すため,KITTI,KITTI-raw,KITTI-360,KITTI-CARLA,ParisLuco,Newer College,NCLTの7つのデータセットを用いて運転・高周波動作シナリオについて検討を行った。 CT-ICP odometryはC++で実装されており、オンラインで入手できる。ループ検出とポーズグラフの最適化はPythonのpyLiDAR-SLAMフレームワークにあり、オンラインでも利用できる。 CT-ICPは現在、KITTIオドメトリのリーダーボードで公開コードへのアクセスを許可している中で、平均相対変換エラー(RTE)は0.59%、CPU上でのスキャン毎の平均時間は60ミリ秒である。

関連論文リスト

Loopy-SLAM: Dense Neural SLAM with Loop Closures [53.11936461015725]
ポーズをグローバルに最適化するLoopy-SLAMと高密度3Dモデルを導入する。我々は,データ駆動のポイントベースサブマップ生成手法を用いてフレーム・ツー・モデル追跡を行い,グローバルな位置認識を行うことで,オンラインのループクロージャをトリガーする。合成Replicaおよび実世界のTUM-RGBDおよびScanNetデータセットの評価は、既存の高密度ニューラルネットワークRGBD SLAM法と比較して、追跡、マッピング、レンダリングの精度の競争力または優れた性能を示す。
論文参考訳（メタデータ） (2024-02-14T18:18:32Z)
Dense Optical Tracking: Connecting the Dots [82.79642869586587]
DOTは、ビデオにおけるポイントトラッキングの問題を解決するための、新しくてシンプルで効率的な方法である。 OmniMotionのような高度な"ユニバーサルトラッカー"を上回り、CoTrackerのような最良のポイントトラッキングアルゴリズムと同等か、あるいはそれ以上の精度で、DOTが現在の光フロー技術よりもはるかに正確であることを示す。
論文参考訳（メタデータ） (2023-12-01T18:59:59Z)
UnLoc: A Universal Localization Method for Autonomous Vehicles using LiDAR, Radar and/or Camera Input [51.150605800173366]
UnLocは、全ての気象条件におけるマルチセンサー入力によるローカライズのための、新しい統一型ニューラルネットワークアプローチである。本手法は,Oxford Radar RobotCar,Apollo SouthBay,Perth-WAの各データセットで広く評価されている。
論文参考訳（メタデータ） (2023-07-03T04:10:55Z)
Correlating sparse sensing for large-scale traffic speed estimation: A Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
論文参考訳（メタデータ） (2022-10-21T07:25:57Z)
NAF: Neural Attenuation Fields for Sparse-View CBCT Reconstruction [79.13750275141139]
本稿では,スパースビューCBCT再構成のための新規かつ高速な自己教師型ソリューションを提案する。所望の減衰係数は、3次元空間座標の連続関数として表現され、完全に接続されたディープニューラルネットワークによってパラメータ化される。ハッシュ符号化を含む学習ベースのエンコーダが採用され、ネットワークが高周波の詳細をキャプチャするのに役立つ。
論文参考訳（メタデータ） (2022-09-29T04:06:00Z)
LCDNet: Deep Loop Closure Detection for LiDAR SLAM based on Unbalanced Optimal Transport [8.21384946488751]
LiDAR ポイントクラウドのループクロージャを効果的に検出する新しい LCDNet を紹介します。 LCDNetは、共有エンコーダ、グローバルディスクリプタを抽出する場所認識ヘッド、および2つの点雲間の変換を推定する相対ポーズヘッドで構成されています。私たちのアプローチは、逆ループを扱う場合でも、最先端の技術を大きなマージンで上回る。
論文参考訳（メタデータ） (2021-03-08T20:19:37Z)
Sequential Place Learning: Heuristic-Free High-Performance Long-Term Place Recognition [24.70946979449572]
学習ベースのCNN+LSTMアーキテクチャを開発し、バックプロパゲーションを通じてトレーニングし、視点および外観不変の場所認識を実現します。我々のモデルは、新しい最先端パフォーマンス標準を設定しながら、15の古典的手法より優れています。さらに, SPL は 729 km の経路において, 従来の方法よりも 70 倍高速に展開可能であることを示す。
論文参考訳（メタデータ） (2021-03-02T22:57:43Z)
Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for Online Collision Avoidance [95.86944752753564]
本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
論文参考訳（メタデータ） (2020-07-28T07:34:30Z)
StickyPillars: Robust and Efficient Feature Matching on Point Clouds using Graph Neural Networks [16.940377259203284]
StickyPillarsは、ポイントクラウド上の高速で正確で、非常に堅牢な3D機能マッチング方法である。 KITTIデータセット上で実証された登録問題に対して,最先端技術による精度評価結果を示す。我々はマッチングシステムをLiDARオドメトリーパイプラインに統合し、KITTIデータセット上で最も正確な結果を得る。
論文参考訳（メタデータ） (2020-02-10T17:53:41Z)
Online LiDAR-SLAM for Legged Robots with Robust Registration and Deep-Learned Loop Closure [7.861777781616249]
本稿では,最先端の深い特徴に基づくループ閉包検出器を組み込んだ因子グラフLiDAR-SLAMシステムを提案する。本システムは,LiDARセンサのみを使用し,四足歩行ロボットのナビゲーションPC上で動作させるために開発された。
論文参考訳（メタデータ） (2020-01-28T10:30:20Z)
TCM-ICP: Transformation Compatibility Measure for Registering Multiple LIDAR Scans [4.5412347600435465]
本稿では,複数重複するLiDARスキャンを登録するアルゴリズムを提案する。本研究では,TCM(Transform Compatibility Measure)と呼ばれる幾何学的指標を導入する。提案手法を実世界の4つの場面で評価し,実験結果から,提案手法の登録性能が従来の登録方式と同等か優れていることを示す。
論文参考訳（メタデータ） (2020-01-04T21:05:27Z)

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。