論文の概要: Continuous-Time vs. Discrete-Time Vision-based SLAM: A Comparative Study
- arxiv url: http://arxiv.org/abs/2202.08894v1
- Date: Thu, 17 Feb 2022 20:42:06 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-21 14:19:11.517301
- Title: Continuous-Time vs. Discrete-Time Vision-based SLAM: A Comparative Study
- Title（参考訳）: 連続時間対離散時間視ベースSLAM:比較研究
- Authors: Giovanni Cioffi, Titus Cieslewski, Davide Scaramuzza
- Abstract要約: この研究は、視覚ベースのSLAMにおける2つの定式化の利点と限界を体系的に比較する。
我々は、SLAM問題を離散的かつ連続的に解くために、最先端のアルゴリズムを含むモジュール化された効率的なソフトウェアアーキテクチャを開発し、オープンソース化する。
- 参考スコア（独自算出の注目度）: 46.89180519082908
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Robotic practitioners generally approach the vision-based SLAM problem
through discrete-time formulations. This has the advantage of a consolidated
theory and very good understanding of success and failure cases. However,
discrete-time SLAM needs tailored algorithms and simplifying assumptions when
high-rate and/or asynchronous measurements, coming from different sensors, are
present in the estimation process. Conversely, continuous-time SLAM, often
overlooked by practitioners, does not suffer from these limitations. Indeed, it
allows integrating new sensor data asynchronously without adding a new
optimization variable for each new measurement. In this way, the integration of
asynchronous or continuous high-rate streams of sensor data does not require
tailored and highly-engineered algorithms, enabling the fusion of multiple
sensor modalities in an intuitive fashion. On the down side, continuous time
introduces a prior that could worsen the trajectory estimates in some
unfavorable situations. In this work, we aim at systematically comparing the
advantages and limitations of the two formulations in vision-based SLAM. To do
so, we perform an extensive experimental analysis, varying robot type, speed of
motion, and sensor modalities. Our experimental analysis suggests that,
independently of the trajectory type, continuous-time SLAM is superior to its
discrete counterpart whenever the sensors are not time-synchronized. In the
context of this work, we developed, and open source, a modular and efficient
software architecture containing state-of-the-art algorithms to solve the SLAM
problem in discrete and continuous time.
- Abstract（参考訳）: ロボット実践者は一般に離散時間定式化を通じて視覚に基づくSLAM問題にアプローチする。
これは統合理論の利点であり、成功事例と失敗事例を非常によく理解している。
しかし、離散時間SLAMは、異なるセンサから来る高速度および/または非同期測定が推定プロセスに存在する場合、アルゴリズムを調整し、仮定を単純化する必要がある。
逆に、実践者がしばしば見落としている継続的SLAMは、これらの制限に苦しめられません。
実際、新しい測定値に新しい最適化変数を追加することなく、新しいセンサーデータを非同期に統合することができる。
このように、非同期または連続的なセンサーデータの高速ストリームの統合は、高度に設計されたアルゴリズムを必要としないため、直感的な方法で複数のセンサーモダリティの融合を可能にする。
マイナス面として、連続時間は、いくつかの好ましくない状況における軌道推定を悪化させる可能性のある事前を導入する。
本研究では,視力に基づくSLAMにおける2つの定式化の利点と限界を体系的に比較することを目的とする。
そこで我々は,ロボットの種類,動作速度,センサのモーダル性など,幅広い実験分析を行った。
実験結果から, 軌道型とは独立に, 連続時間スラムは, センサが時間同期しない場合には, 個別のスラムよりも優れていることが示唆された。
この作業の文脈で,slam問題を離散的かつ連続的に解決するための最先端アルゴリズムを含む,モジュール化された効率的なソフトウェアアーキテクチャを開発し,オープンソースとした。
関連論文リスト
- AsynEIO: Asynchronous Monocular Event-Inertial Odometry Using Gaussian Process Regression [7.892365588256595]
本稿では,非同期イベントと慣性データを融合した単分子イベント慣性オドメトリーAsynEIOを提案する。
AsynEIOは、特に高速・低照度シナリオにおいて、既存の手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2024-11-19T02:39:57Z) - Hyperion - A fast, versatile symbolic Gaussian Belief Propagation framework for Continuous-Time SLAM [9.083886529257857]
本稿では,SymForceをベースとしたB-およびZ-Spline実装において,SymForceによる2.43倍から110.31倍の高速化を実現した最速の[Martiros et al., RSS 2022]B-およびZ-Spline実装を提案する。
動作追跡および位置決め設定における本手法の有効性を実証的アブレーション研究により実証した。
論文 参考訳（メタデータ） (2024-07-09T17:46:53Z) - Smooth and Sparse Latent Dynamics in Operator Learning with Jerk
Regularization [1.621267003497711]
本稿では,圧縮された潜在空間の学習にジャッジ正規化を組み込んだ連続演算子学習フレームワークを提案する。
このフレームワークは、任意の所望の空間的あるいは時間的解像度での推論を可能にする。
この枠組みの有効性は、ナヴィエ・ストークス方程式によって支配される二次元非定常流問題によって証明される。
論文 参考訳（メタデータ） (2024-02-23T22:38:45Z) - Graph-Aware Contrasting for Multivariate Time-Series Classification [50.84488941336865]
既存のコントラスト学習手法は主に、時間的拡張とコントラスト技術による時間的一貫性を達成することに焦点を当てている。
MTSデータ間の空間的整合性を考慮したグラフ認識コントラストを提案する。
提案手法は,様々なMSS分類タスクにおける最先端性能を実現する。
論文 参考訳（メタデータ） (2023-09-11T02:35:22Z) - DynImp: Dynamic Imputation for Wearable Sensing Data Through Sensory and
Temporal Relatedness [78.98998551326812]
従来の手法では、データの時系列ダイナミクスと、異なるセンサーの特徴の関連性の両方をめったに利用していない、と我々は主張する。
我々はDynImpと呼ばれるモデルを提案し、特徴軸に沿って近接する隣人と異なる時間点の欠如を扱う。
本手法は, 関連センサのマルチモーダル性特性を活かし, 履歴時系列のダイナミックスから学習し, 極端に欠落した状態でデータを再構築することができることを示す。
論文 参考訳（メタデータ） (2022-09-26T21:59:14Z) - Semi-supervised Learning of Partial Differential Operators and Dynamical
Flows [68.77595310155365]
本稿では,超ネットワーク解法とフーリエニューラル演算子アーキテクチャを組み合わせた新しい手法を提案する。
本手法は, 1次元, 2次元, 3次元の非線形流体を含む様々な時間発展PDEを用いて実験を行った。
その結果、新しい手法は、監督点の時点における学習精度を向上し、任意の中間時間にその解を補間できることを示した。
論文 参考訳（メタデータ） (2022-07-28T19:59:14Z) - AFT-VO: Asynchronous Fusion Transformers for Multi-View Visual Odometry
Estimation [39.351088248776435]
複数のセンサからVOを推定する新しいトランスフォーマーベースのセンサ融合アーキテクチャであるAFT-VOを提案する。
本フレームワークは,非同期マルチビューカメラからの予測と,異なる情報源からの計測の時間的差を考慮に入れたものである。
実験により,VO推定のための多視点融合により,頑健かつ正確な軌道が得られ,難易度と照明条件の両方において高い性能を発揮することが示された。
論文 参考訳（メタデータ） (2022-06-26T19:29:08Z) - Delay-adaptive step-sizes for asynchronous learning [8.272788656521415]
システム内の実際の時間変化の遅延に依存する学習率を利用することが可能であることを示す。
これらの方法のそれぞれに対して, 遅延をオンラインで測定し, 遅延適応的なステップサイズポリシーを提示し, 現状に対する理論的, 実践的優位性を実証する。
論文 参考訳（メタデータ） (2022-02-17T09:51:22Z) - An automatic differentiation system for the age of differential privacy [65.35244647521989]
Tritiumは、微分プライベート(DP)機械学習(ML)のための自動微分ベース感度分析フレームワークである
我々は、微分プライベート(DP)機械学習(ML)のための自動微分に基づく感度分析フレームワークTritiumを紹介する。
論文 参考訳（メタデータ） (2021-09-22T08:07:42Z) - Consistency of mechanistic causal discovery in continuous-time using
Neural ODEs [85.7910042199734]
ダイナミカルシステムの研究において,連続時間における因果的発見を検討する。
本稿では,ニューラルネットワークを用いた因果探索アルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-05-06T08:48:02Z)
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。