Fugu-MT 論文翻訳(概要): Efficient 3D Deep LiDAR Odometry

論文の概要: Efficient 3D Deep LiDAR Odometry

arxiv url: http://arxiv.org/abs/2111.02135v1
Date: Wed, 3 Nov 2021 11:09:49 GMT
ステータス: 処理完了
システム内更新日: 2021-11-04 13:47:50.249255
Title: Efficient 3D Deep LiDAR Odometry
Title（参考訳）: 高能率3次元深部LiDARオドメトリー
Authors: Guangming Wang, Xinrui Wu, Shuyang Jiang, Zhe Liu, Hesheng Wang
Abstract要約: PWCLO-Netという名前の効率的な3Dポイント・クラウド・ラーニング・アーキテクチャが最初に提案される。アーキテクチャ全体は、コストボリュームとマスクの適応的な学習を実現するために、徹底的にエンドツーエンドに最適化されています。
参考スコア（独自算出の注目度）: 16.388259779644553
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: An efficient 3D point cloud learning architecture, named PWCLO-Net, for LiDAR odometry is first proposed in this paper. In this architecture, the projection-aware representation of the 3D point cloud is proposed to organize the raw 3D point cloud into an ordered data form to achieve efficiency. The Pyramid, Warping, and Cost volume (PWC) structure for the LiDAR odometry task is built to estimate and refine the pose in a coarse-to-fine approach hierarchically and efficiently. A projection-aware attentive cost volume is built to directly associate two discrete point clouds and obtain embedding motion patterns. Then, a trainable embedding mask is proposed to weigh the local motion patterns to regress the overall pose and filter outlier points. The trainable pose warp-refinement module is iteratively used with embedding mask optimized hierarchically to make the pose estimation more robust for outliers. The entire architecture is holistically optimized end-to-end to achieve adaptive learning of cost volume and mask, and all operations involving point cloud sampling and grouping are accelerated by projection-aware 3D feature learning methods. The superior performance and effectiveness of our LiDAR odometry architecture are demonstrated on KITTI odometry dataset. Our method outperforms all recent learning-based methods and even the geometry-based approach, LOAM with mapping optimization, on most sequences of KITTI odometry dataset.
Abstract（参考訳）: 本稿では,LiDARオドメトリーのためのPWCLO-Netという,効率的な3Dポイントクラウド学習アーキテクチャを提案する。このアーキテクチャでは、3Dポイントクラウドのプロジェクション対応表現が提案され、生の3Dポイントクラウドを順序付きデータ形式に整理して効率を上げる。 LiDARオドメトリータスクのピラミッド・ウォーピング・コストボリューム(PWC)構造は、階層的かつ効率的に粗いアプローチでポーズを推定・精査するために構築される。 2つの離散点雲を直接関連付けて埋め込み動作パターンを得るために、投影対応注意コストボリュームを構築する。そこで, トレーニング可能な埋め込みマスクを提案し, 局所的な動きパターンの重み付けを行い, 全体のポーズを抑え, 外れ点をフィルタする。トレーニング可能なポーズwarp-refinementモジュールは階層的に最適化された埋め込みマスクで反復的に使用される。アーキテクチャ全体は、コストボリュームとマスクの適応学習を達成するために全体最適化されたエンドツーエンドであり、プロジェクションアウェアな3d特徴学習手法により、ポイントクラウドサンプリングとグループ化を含む全ての操作が促進される。当社のlidarオドメトリアーキテクチャの優れた性能と有効性をkittiオドメトリデータセットで実証した。提案手法は,KITTI odometry データセットのほとんどのシーケンスにおいて,最近の学習手法や幾何学的アプローチである LOAM よりも優れている。

関連論文リスト

Dynamic 3D Point Cloud Sequences as 2D Videos [81.46246338686478]
3Dポイントクラウドシーケンスは、現実世界の環境における最も一般的で実用的な表現の1つとして機能する。 textitStructured Point Cloud Videos (SPCV) と呼ばれる新しい汎用表現を提案する。 SPCVは点雲列を空間的滑らかさと時間的一貫性を持つ2Dビデオとして再編成し、画素値は点の3D座標に対応する。
論文参考訳（メタデータ） (2024-03-02T08:18:57Z)
Robust 3D Tracking with Quality-Aware Shape Completion [67.9748164949519]
そこで本研究では,高密度および完全点の雲からなる合成対象表現について,ロバストな3次元追跡のための形状完備化により正確に表現する。具体的には, 形状が整ったボキセル化3次元追跡フレームワークを設計し, ノイズのある歴史的予測の悪影響を軽減するために, 品質に配慮した形状完備化機構を提案する。
論文参考訳（メタデータ） (2023-12-17T04:50:24Z)
PointOcc: Cylindrical Tri-Perspective View for Point-based 3D Semantic Occupancy Prediction [72.75478398447396]
本稿では,点雲を効果的かつ包括的に表現する円筒型三重対視図を提案する。また,LiDAR点雲の距離分布を考慮し,円筒座標系における三点ビューを構築した。プロジェクション中に構造の詳細を維持するために空間群プーリングを使用し、各TPV平面を効率的に処理するために2次元バックボーンを採用する。
論文参考訳（メタデータ） (2023-08-31T17:57:17Z)
PillarNeXt: Rethinking Network Designs for 3D Object Detection in LiDAR Point Clouds [29.15589024703907]
本稿では,計算資源の割り当ての観点から,局所的な点集合体を再考する。最も単純な柱ベースのモデルは、精度とレイテンシの両方を考慮して驚くほどよく機能することがわかった。本研究は,3次元物体検出の高性能化のために,詳細な幾何学的モデリングが不可欠である,という一般的な直観に挑戦する。
論文参考訳（メタデータ） (2023-05-08T17:59:14Z)
DFC: Deep Feature Consistency for Robust Point Cloud Registration [0.4724825031148411]
複雑なアライメントシーンのための学習に基づくアライメントネットワークを提案する。我々は,3DMatchデータセットとKITTIオドメトリデータセットに対するアプローチを検証する。
論文参考訳（メタデータ） (2021-11-15T08:27:21Z)
Cylindrical and Asymmetrical 3D Convolution Networks for LiDAR-based Perception [122.53774221136193]
運転時のLiDARに基づく認識のための最先端の手法は、しばしば点雲を2D空間に投影し、2D畳み込みによって処理する。自然な対策として、3Dボクセル化と3D畳み込みネットワークを利用する方法がある。本研究では,3次元幾何学的パターンを探索するために,円筒状分割と非対称な3次元畳み込みネットワークを設計する,屋外LiDARセグメンテーションのための新しいフレームワークを提案する。
論文参考訳（メタデータ） (2021-09-12T06:25:11Z)
PWCLO-Net: Deep LiDAR Odometry in 3D Point Clouds Using Hierarchical Embedding Mask Optimization [17.90299648470637]
本稿では,PWCLO-Netと呼ばれる深部LiDAR計測のための3Dポイントクラウド学習モデルを提案する。このモデルでは,LiDARオドメトリータスクのためのピラミッド,ウォーピング,コストボリューム構造を構築し,粗大なアプローチで推定されたポーズを階層的に洗練する。提案手法は,KITTI odometry データセットのほとんどのシーケンスにおいて,最近の学習手法より優れ,マッピング最適化による幾何学的アプローチ LOAM よりも優れている。
論文参考訳（メタデータ） (2020-12-02T05:23:41Z)
SelfVoxeLO: Self-supervised LiDAR Odometry with Voxel-based Deep Neural Networks [81.64530401885476]
本稿では,これら2つの課題に対処するために,自己教師型LiDARオドメトリー法(SelfVoxeLO)を提案する。具体的には、生のLiDARデータを直接処理する3D畳み込みネットワークを提案し、3D幾何パターンをよりよく符号化する特徴を抽出する。我々は,KITTIとApollo-SouthBayという2つの大規模データセット上での手法の性能を評価する。
論文参考訳（メタデータ） (2020-10-19T09:23:39Z)
Reinforced Axial Refinement Network for Monocular 3D Object Detection [160.34246529816085]
モノクロ3次元物体検出は、2次元入力画像から物体の位置と特性を抽出することを目的としている。従来のアプローチでは、空間から3D境界ボックスをサンプリングし、対象オブジェクトと各オブジェクトの関係を推定するが、有効サンプルの確率は3D空間で比較的小さい。我々は,まず最初の予測から始めて,各ステップで1つの3dパラメータだけを変えて,基礎的真理に向けて徐々に洗練することを提案する。これは、いくつかのステップの後に報酬を得るポリシーを設計する必要があるため、最適化するために強化学習を採用します。
論文参考訳（メタデータ） (2020-08-31T17:10:48Z)
Scan-based Semantic Segmentation of LiDAR Point Clouds: An Experimental Study [2.6205925938720833]
最先端の手法では、深いニューラルネットワークを使用して、LiDARスキャンの各点のセマンティッククラスを予測する。 LiDAR測定を処理するための強力で効率的な方法は、2次元の画像のような投影を使うことである。メモリの制約だけでなく、パフォーマンスの向上やランタイムの改善など、さまざまなテクニックを実証する。
論文参考訳（メタデータ） (2020-04-06T11:08:12Z)
CAE-LO: LiDAR Odometry Leveraging Fully Unsupervised Convolutional Auto-Encoder for Interest Point Detection and Feature Description [10.73965992177754]
2D CAEを用いた球面リングデータから利得点を検出し、3D CAEを用いたマルチレゾリューションボクセルモデルから特徴点を抽出する、完全に教師なしコナールオートエンコーダベースのLiDARオドメトリー(CAE-LO)を提案する。 1)KITTIデータセットに基づく実験により、未構造化シナリオにおける一致の成功率を改善するために、より局所的な詳細を抽出できることが示され、我々の特徴は、マッチング不整合比で50%以上、最先端の成果を上げている。
論文参考訳（メタデータ） (2020-01-06T01:26:28Z)

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。