論文の概要: Are We Ready for Robust and Resilient SLAM? A Framework For Quantitative
Characterization of SLAM Datasets
- arxiv url: http://arxiv.org/abs/2202.11312v1
- Date: Wed, 23 Feb 2022 05:12:45 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-25 02:47:05.818519
- Title: Are We Ready for Robust and Resilient SLAM? A Framework For Quantitative
Characterization of SLAM Datasets
- Title（参考訳）: ロバストで回復力のあるSLAMの準備はできているか?
SLAMデータセットの定量的評価のためのフレームワーク
- Authors: Islam Ali, Hong Zhang
- Abstract要約: SLAMの性能を適切に評価するためには、SLAMデータセットの特徴付けが重要な第一歩となることを論じる。
本稿では,SLAMデータセットの定量的解析と比較のための,新しい,汎用的で拡張可能なフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 4.063868707697316
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Reliability of SLAM systems is considered one of the critical requirements in
many modern autonomous systems. This directed the efforts to developing many
state-of-the-art systems, creating challenging datasets, and introducing
rigorous metrics to measure SLAM system performance. However, the link between
datasets and performance in the robustness/resilience context has rarely been
explored. In order to fill this void, characterization the operating conditions
of SLAM systems is essential in order to provide an environment for
quantitative measurement of robustness and resilience. In this paper, we argue
that for proper evaluation of SLAM performance, the characterization of SLAM
datasets serves as a critical first step. The study starts by reviewing
previous efforts for quantitative characterization of SLAM datasets. Then, the
problem of perturbations characterization is discussed and the linkage to SLAM
robustness/resilience is established. After that, we propose a novel, generic
and extendable framework for quantitative analysis and comparison of SLAM
datasets. Additionally, a description of different characterization parameters
is provided. Finally, we demonstrate the application of our framework by
presenting the characterization results of three SLAM datasets: KITTI,
EuroC-MAV, and TUM-VI highlighting the level of insights achieved by the
proposed framework.
- Abstract（参考訳）: SLAMシステムの信頼性は、現代の多くの自律システムにおいて重要な要件の1つと考えられている。
これにより、多くの最先端システムの開発、挑戦的なデータセットの作成、SLAMシステムパフォーマンスを測定するための厳密なメトリクスの導入といった取り組みが進められた。
しかし、ロバスト性/レジリエンスコンテキストにおけるデータセットとパフォーマンスの関係は、ほとんど研究されていない。
この空白を埋めるためには,スラムシステムの動作条件のキャラクタリゼーションが不可欠であり,ロバスト性とレジリエンスを定量的に測定するための環境を提供する。
本稿では、SLAMの性能を適切に評価するために、SLAMデータセットの特性が重要な第一歩となることを論じる。
この研究は、SLAMデータセットの定量的評価のための以前の取り組みをレビューすることから始まる。
そして、摂動特性の問題を考察し、SLAMの堅牢性/レジリエンスの関連性を確立する。
その後、slamデータセットの定量的解析と比較のための新しい汎用的拡張可能なフレームワークを提案する。
さらに、異なる特徴パラメータの記述も提供される。
最後に,提案フレームワークが達成した洞察のレベルを強調する3つのslamデータセット(kitti, euroc-mav, tum-vi)のキャラクタリゼーション結果を提示し,このフレームワークの適用例を示す。
関連論文リスト
- Performance evaluation of SLAM-ASR: The Good, the Bad, the Ugly, and the Way Forward [10.914414815406275]
近年,音声基盤エンコーダと大規模言語モデル(LLM)の線形接続を訓練することで,このアーキテクチャが強力なASR機能を実現することが実証されている。
印象的な結果にもかかわらず、これらの単純なアプローチが様々なシナリオや発話条件で十分に堅牢であるかどうかは不明だ。
本稿では,SLAM-ASRアーキテクチャを多種多様な設定で効果的に活用する方法について考察した。
論文 参考訳（メタデータ） (2024-11-06T12:22:04Z) - RAGEval: Scenario Specific RAG Evaluation Dataset Generation Framework [69.4501863547618]
本稿では,様々なシナリオにまたがってRAGシステムを評価するためのフレームワークであるRAGvalを紹介する。
事実の正確性に着目し, 完全性, 幻覚, 不適切性の3つの新しい指標を提案する。
実験結果から, RAGEvalは, 生成した試料の明瞭度, 安全性, 適合性, 豊かさにおいて, ゼロショット法とワンショット法より優れていた。
論文 参考訳（メタデータ） (2024-08-02T13:35:11Z) - Benchmarks as Microscopes: A Call for Model Metrology [76.64402390208576]
現代の言語モデル(LM)は、能力評価において新たな課題を提起する。
メトリクスに自信を持つためには、モデルミアロジの新たな規律が必要です。
論文 参考訳（メタデータ） (2024-07-22T17:52:12Z) - DK-SLAM: Monocular Visual SLAM with Deep Keypoint Learning, Tracking and Loop-Closing [13.50980509878613]
公開されているデータセットに対する実験的評価は、DK-SLAMが従来のSLAMシステムと学習ベースのSLAMシステムより優れていることを示している。
本システムでは,キーポイント抽出ネットワークの学習を最適化するために,モデル非依存メタラーニング(MAML)戦略を採用している。
累積的な位置決め誤差を軽減するため、DK-SLAMはループ閉鎖検出にバイナリ機能を利用する新しいオンライン学習モジュールを組み込んだ。
論文 参考訳（メタデータ） (2024-01-17T12:08:30Z) - Measuring and Improving Chain-of-Thought Reasoning in Vision-Language Models [61.28463542324576]
視覚言語モデル(VLM)は近年,人間のような出力を生成できる視覚アシスタントとして,強力な有効性を示している。
我々は、既存の最先端のVLMを評価し、最高の性能モデルでさえ、強力な視覚的推論能力と一貫性を示すことができないことを発見した。
本稿では,VLMの推論性能と一貫性の向上を目的とした2段階トレーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2023-09-08T17:49:44Z) - Robustness and Generalization Performance of Deep Learning Models on
Cyber-Physical Systems: A Comparative Study [71.84852429039881]
調査は、センサーの故障やノイズなど、様々な摂動を扱うモデルの能力に焦点を当てている。
我々は,これらのモデルの一般化と伝達学習能力を,アウト・オブ・ディストリビューション(OOD)サンプルに公開することによって検証する。
論文 参考訳（メタデータ） (2023-06-13T12:43:59Z) - Optimizing SLAM Evaluation Footprint Through Dynamic Range Coverage
Analysis of Datasets [4.063868707697316]
本稿では,多くの特徴量に基づいて,データセットの動的範囲カバレッジを体系的に解析する。
SLAMの評価過程における冗長性を除去する動的プログラミング(DP)アルゴリズムを提案する。
データセットのキャラクタリゼーションとDP選択アルゴリズムの助けを借りて、同じレベルのカバレッジを維持しながら、評価の労力を削減できることが示されている。
論文 参考訳（メタデータ） (2022-09-13T21:47:18Z) - PLD-SLAM: A Real-Time Visual SLAM Using Points and Line Segments in
Dynamic Scenes [0.0]
本稿では,点と線の特徴を組み合わせたリアルタイムステレオ間接視覚SLAMシステム PLD-SLAMを提案する。
また,適切な選択と効率的なループ閉鎖検出を実現するため,グローバルグレー類似度(GGS)アルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-07-22T07:40:00Z) - CAFE: Learning to Condense Dataset by Aligning Features [72.99394941348757]
本稿ではCAFE(Aligning features)によるCondenseデータセットの新しいスキームを提案する。
このアプローチの核心は、さまざまなスケールにわたる実データと合成データから機能を整合させる効果的な戦略です。
提案したCAFEを様々なデータセットで検証し,概ね最先端技術であることを示す。
論文 参考訳（メタデータ） (2022-03-03T05:58:49Z) - Advances in Inference and Representation for Simultaneous Localization
and Mapping [8.721760004258352]
同時ローカライゼーションとマッピング(SLAM)は,移動ロボットの基本機能であり,計画,ナビゲーション,制御といったコア機能をサポートする。
本稿では、SLAMにおける最近の進歩について、SLAMシステムで使用される環境モデルの表現能力の向上(表現)と、これらのモデルをデータ(参照)から推定するアルゴリズムの性能に焦点をあてる。
論文 参考訳（メタデータ） (2021-03-08T19:53:29Z) - SAMBA: Safe Model-Based & Active Reinforcement Learning [59.01424351231993]
SAMBAは、確率論的モデリング、情報理論、統計学といった側面を組み合わせた安全な強化学習のためのフレームワークである。
我々は,低次元および高次元の状態表現を含む安全な力学系ベンチマークを用いて,アルゴリズムの評価を行った。
アクティブなメトリクスと安全性の制約を詳細に分析することで,フレームワークの有効性を直感的に評価する。
論文 参考訳（メタデータ） (2020-06-12T10:40:46Z)
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。