論文の概要: A Novel Gaussian Process Based Ground Segmentation Algorithm with
Local-Smoothness Estimation
- arxiv url: http://arxiv.org/abs/2112.05847v1
- Date: Wed, 1 Dec 2021 18:42:08 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-19 12:58:28.630780
- Title: A Novel Gaussian Process Based Ground Segmentation Algorithm with
Local-Smoothness Estimation
- Title（参考訳）: 局所滑らか度推定を用いたガウス過程に基づく新しいグラウンドセグメンテーションアルゴリズム
- Authors: Pouria Mehrabi, Hamid D. Taghirad
- Abstract要約: 粗い運転シナリオにおけるグラウンドセグメンテーションタスクに対して,新しい$mathcalGP$-based法を提案する。
2つのガウス過程を導入し、データの観測と局所特性を別々にモデル化する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Autonomous Land Vehicles (ALV) shall efficiently recognize the ground in
unknown environments. A novel $\mathcal{GP}$-based method is proposed for the
ground segmentation task in rough driving scenarios. A non-stationary
covariance function is utilized as the kernel for the $\mathcal{GP}$. The
ground surface behavior is assumed to only demonstrate local-smoothness. Thus,
point estimates of the kernel's length-scales are obtained. Thus, two Gaussian
processes are introduced to separately model the observation and local
characteristics of the data. While, the \textit{observation process} is used to
model the ground, the \textit{latent process} is put on length-scale values to
estimate point values of length-scales at each input location. Input locations
for this latent process are chosen in a physically-motivated procedure to
represent an intuition about ground condition. Furthermore, an intuitive guess
of length-scale value is represented by assuming the existence of hypothetical
surfaces in the environment that every bunch of data points may be assumed to
be resulted from measurements from this surfaces. Bayesian inference is
implemented using \textit{maximum a Posteriori} criterion. The log-marginal
likelihood function is assumed to be a multi-task objective function, to
represent a whole-frame unbiased view of the ground at each frame. Simulation
results shows the effectiveness of the proposed method even in an uneven, rough
scene which outperforms similar Gaussian process based ground segmentation
methods. While adjacent segments do not have similar ground structure in an
uneven scene, the proposed method gives an efficient ground estimation based on
a whole-frame viewpoint instead of just estimating segment-wise probable ground
surfaces.
- Abstract（参考訳）: 自律型陸上車両(ALV)は、未知の環境において、土地を効率的に認識する。
粗運転シナリオにおけるグラウンドセグメンテーションタスクに対して,新しい$\mathcal{GP}$-based法を提案する。
非定常共分散関数は$\mathcal{GP}$のカーネルとして利用される。
地表面の挙動は局所スムースネスのみを示すと仮定される。
これにより、カーネルの長さスケールのポイント推定が得られる。
したがって、2つのガウス過程を導入し、データの観測と局所特性を別々にモデル化する。
基底のモデル化には \textit{observation process} が用いられるが、各入力位置における長さスケールの点値を推定するために長さスケールの値に \textit{latent process} が用いられる。
この潜伏過程の入力位置は、基底状態に関する直観を表す物理的動機付けされた手順で選択される。
さらに、この表面の測定から全てのデータポイントが生じると仮定される環境における仮説曲面の存在を仮定することで、長さスケールの直感的な推定が表現される。
ベイズ推論は \textit{maximum a Posteriori} 基準を用いて実装される。
log-marginal likelihood関数はマルチタスクの目的関数であると仮定され、各フレームのグランドの全体フレームの偏りのないビューを表す。
シミュレーションの結果, 提案手法の有効性は, 類似のガウス過程に基づく地盤分断法より優れる不均一で粗い場面においても示される。
隣接するセグメントは、不均一なシーンでは類似した地上構造を持たないが、提案手法は、セグメントワイズ可能な地上面を単に推定するのではなく、フレーム全体の視点に基づいて効率的な地盤推定を行う。
関連論文リスト
- NeuralGF: Unsupervised Point Normal Estimation by Learning Neural
Gradient Function [55.86697795177619]
3次元点雲の正規推定は3次元幾何処理の基本的な課題である。
我々は,ニューラルネットワークが入力点雲に適合することを奨励する,ニューラルグラデーション関数の学習のための新しいパラダイムを導入する。
広範に使用されているベンチマークの優れた結果から,本手法は非指向性および指向性正常推定タスクにおいて,より正確な正規性を学習できることが示されている。
論文 参考訳（メタデータ） (2023-11-01T09:25:29Z) - Neural Gradient Learning and Optimization for Oriented Point Normal
Estimation [53.611206368815125]
本研究では,3次元点雲から勾配ベクトルを一貫した向きで学習し,正規推定を行うためのディープラーニング手法を提案する。
局所平面幾何に基づいて角距離場を学習し、粗勾配ベクトルを洗練する。
本手法は,局所特徴記述の精度と能力の一般化を図りながら,グローバル勾配近似を効率的に行う。
論文 参考訳（メタデータ） (2023-09-17T08:35:11Z) - Efficient Large-scale Nonstationary Spatial Covariance Function
Estimation Using Convolutional Neural Networks [3.5455896230714194]
非定常データからサブリージョンを導出するためにConvNetsを使用します。
定常場に類似した振る舞いを示す部分領域を同定するために選択機構を用いる。
提案手法の性能を大規模に評価する。
論文 参考訳（メタデータ） (2023-06-20T12:17:46Z) - Concrete Score Matching: Generalized Score Matching for Discrete Data [109.12439278055213]
コンクレトスコア(Concrete score)とは、個別の設定のためのスコア(ステイン)の一般化である。
コンクレトスコアマッチング(Concrete Score Matching)は、サンプルからこのようなスコアを学習するフレームワークである。
論文 参考訳（メタデータ） (2022-11-02T00:41:37Z) - A Segment-Wise Gaussian Process-Based Ground Segmentation With Local
Smoothness Estimation [3.42658286826597]
地上と前方の表面の正確な情報モデルは、航行と障害物回避に不可欠である。
乱れや荒れの場面では、地表の特徴と機能の関係は地面の異なる領域で異なる可能性がある。
局所的な滑らかさを推定するセグメントワイズGPに基づくグラウンドセグメンテーション法を提案する。
論文 参考訳（メタデータ） (2022-10-19T12:42:21Z) - A Probabilistic Framework for Dynamic Object Recognition in 3D
Environment With A Novel Continuous Ground Estimation Method [0.0]
3次元環境における動的物体認識のための確率的フレームワークを開発し提案する。
ガウス過程回帰(GPR)に基づく新しい手法が開発され、異なる都市シナリオにおける接地点を検出する。
論文 参考訳（メタデータ） (2022-01-27T16:07:10Z) - Surface Warping Incorporating Machine Learning Assisted Domain
Likelihood Estimation: A New Paradigm in Mine Geology Modelling and
Automation [68.8204255655161]
新たに取得した破砕孔データによって課される地球化学的および空間的制約に基づいて, モデル表面を再構成するバイーシアンワープ法が提案されている。
本稿では,このワーピングフレームワークに機械学習を組み込むことにより,可能性の一般化を図る。
その基礎は、p(g|c) が p(y(c)|g と似た役割を果たすような地質領域の確率のベイズ計算によって構成される。
論文 参考訳（メタデータ） (2021-02-15T10:37:52Z) - Gaussian Process Gradient Maps for Loop-Closure Detection in
Unstructured Planetary Environments [17.276441789710574]
以前にマップされた位置を認識する能力は、自律システムにとって不可欠な機能である。
非構造的な惑星のような環境は、地形の類似性のためにこれらのシステムに大きな課題をもたらす。
本稿では,空間情報のみを用いたループ閉鎖問題の解法を提案する。
論文 参考訳（メタデータ） (2020-09-01T04:41:40Z) - Making Affine Correspondences Work in Camera Geometry Computation [62.7633180470428]
局所的な特徴は、ポイント・ツー・ポイント対応ではなく、リージョン・ツー・リージョンを提供する。
本稿では,全モデル推定パイプラインにおいて,地域間マッチングを効果的に活用するためのガイドラインを提案する。
実験により、アフィンソルバはより高速な実行時にポイントベースソルバに匹敵する精度を達成できることが示された。
論文 参考訳（メタデータ） (2020-07-20T12:07:48Z) - Spatial Pyramid Based Graph Reasoning for Semantic Segmentation [67.47159595239798]
セマンティックセグメンテーションタスクにグラフ畳み込みを適用し、改良されたラプラシアンを提案する。
グラフ推論は、空間ピラミッドとして構成された元の特徴空間で直接実行される。
計算とメモリのオーバーヘッドの利点で同等のパフォーマンスを実現しています。
論文 参考訳（メタデータ） (2020-03-23T12:28:07Z)
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。