論文の概要: Robust Self-Supervised LiDAR Odometry via Representative Structure
Discovery and 3D Inherent Error Modeling
- arxiv url: http://arxiv.org/abs/2202.13353v1
- Date: Sun, 27 Feb 2022 12:52:27 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-01 17:08:06.626213
- Title: Robust Self-Supervised LiDAR Odometry via Representative Structure
Discovery and 3D Inherent Error Modeling
- Title（参考訳）: 代表構造探索と3次元連続誤差モデリングによるロバスト自己監督LiDARオドメトリー
- Authors: Yan Xu, Junyi Lin, Jianping Shi, Guofeng Zhang, Xiaogang Wang,
Hongsheng Li
- Abstract要約: そこで我々は,2段階のオドメトリ推定ネットワークを構築し,一連の部分領域変換を推定してエゴモーメントを求める。
本稿では,トレーニング,推論,マッピングフェーズにおける信頼できない構造の影響を軽減することを目的とする。
我々の2フレームのオードメトリーは、翻訳/回転誤差の点で、過去の芸術の状態を16%/12%上回っている。
- 参考スコア（独自算出の注目度）: 67.75095378830694
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The correct ego-motion estimation basically relies on the understanding of
correspondences between adjacent LiDAR scans. However, given the complex
scenarios and the low-resolution LiDAR, finding reliable structures for
identifying correspondences can be challenging. In this paper, we delve into
structure reliability for accurate self-supervised ego-motion estimation and
aim to alleviate the influence of unreliable structures in training, inference
and mapping phases. We improve the self-supervised LiDAR odometry substantially
from three aspects: 1) A two-stage odometry estimation network is developed,
where we obtain the ego-motion by estimating a set of sub-region
transformations and averaging them with a motion voting mechanism, to encourage
the network focusing on representative structures. 2) The inherent alignment
errors, which cannot be eliminated via ego-motion optimization, are
down-weighted in losses based on the 3D point covariance estimations. 3) The
discovered representative structures and learned point covariances are
incorporated in the mapping module to improve the robustness of map
construction. Our two-frame odometry outperforms the previous state of the arts
by 16%/12% in terms of translational/rotational errors on the KITTI dataset and
performs consistently well on the Apollo-Southbay datasets. We can even rival
the fully supervised counterparts with our mapping module and more unlabeled
training data.
- Abstract（参考訳）: 正しいエゴモーション推定は、基本的に隣り合うLiDARスキャン間の対応の理解に依存している。
しかし、複雑なシナリオと低解像度lidarを考えると、対応を識別するための信頼できる構造を見つけることは困難である。
本稿では,正確な自己監督型エゴモーション推定のための構造信頼性を探索し,トレーニング,推論,マッピングフェーズにおける信頼できない構造の影響を軽減することを目的とする。
自己監督型LiDARオードメトリーを3つの側面から大きく改善する。
1) 部分領域変換の集合を推定し, 運動投票機構を平均してエゴモーションを得る2段階オドメトリ推定ネットワークを開発し, 代表構造に着目したネットワークの促進を図る。
2) 固有アライメント誤差は, エゴモーション最適化では除去できないが, 3次元点の共分散推定に基づいて損失を下げる。
3) 探索された代表構造と学習点共分散をマッピングモジュールに組み込んで地図構築のロバスト性を向上させる。
KITTIデータセットの翻訳・回転誤差は2フレームのオドメトリーで16%/12%向上し,アポロ・サウスベイデータセットでは一貫して良好に動作する。
マッピングモジュールや、ラベルなしのトレーニングデータと、完全に教師付きで競合することも可能です。
関連論文リスト
- DELO: Deep Evidential LiDAR Odometry using Partial Optimal Transport [23.189529003370303]
リアルタイムLiDARベースのオドメトリーは、ロボットナビゲーション、一貫した3Dシーンマップの再構築、安全なモーションプランニングなど、多くのアプリケーションに必須である。
本稿では,フレーム間の正確な対応とモデルの予測不確実性(PU)を共同で学習し,LO予測を安全に保護するための証拠として,新しいディープラーニングベースのリアルタイム(約35～40ms/fps/fps/fps/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s /s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s
提案手法をKITTIデータセット上で評価し,最近の最先端手法よりも優れた一般化能力を有する競争性能を示す。
論文 参考訳（メタデータ） (2023-08-14T14:06:21Z) - Weakly-supervised 3D Pose Transfer with Keypoints [57.66991032263699]
3Dポーズ転送の主な課題は、1) 異なる文字で同じポーズを行うペアトレーニングデータの欠如、2) ターゲットメッシュからポーズと形状情報を分離すること、3) 異なるトポロジを持つメッシュに適用することの難しさである。
本稿では,これらの課題を克服するためのキーポイントベースのフレームワークを提案する。
論文 参考訳（メタデータ） (2023-07-25T12:40:24Z) - Intensity Profile Projection: A Framework for Continuous-Time
Representation Learning for Dynamic Networks [50.2033914945157]
本稿では、連続時間動的ネットワークデータのための表現学習フレームワークIntensity Profile Projectionを提案する。
このフレームワークは3つの段階から構成される: 対の強度関数を推定し、強度再構成誤差の概念を最小化する射影を学習する。
さらに、推定軌跡の誤差を厳密に制御する推定理論を開発し、その表現がノイズに敏感な追従解析に利用できることを示す。
論文 参考訳（メタデータ） (2023-06-09T15:38:25Z) - Coordinated Transformer with Position \& Sample-aware Central Loss for
Anatomical Landmark Detection [6.004522909994631]
熱マップに基づく解剖学的ランドマーク検出はまだ2つの未解決課題に直面している。
我々は新しい位置認識とサンプル認識中心損失を提案する。
構造情報の無視という課題に対処するために,CoorTransformerと呼ばれる協調変換器を提案する。
論文 参考訳（メタデータ） (2023-05-18T23:05:01Z) - Poses as Queries: Image-to-LiDAR Map Localization with Transformers [5.704968411509063]
商用化による高精度車両のローカライゼーションは、高レベルの自動運転タスクにとって重要な技術である。
このようなクロスモーダルセンサデータ間の対応を見出すことによる推定ポーズは困難である。
本稿では,トランスフォーマーをベースとした新しいニューラルネットワークを提案し,エンドツーエンドで2次元画像を3次元LiDARマップに登録する。
論文 参考訳（メタデータ） (2023-05-07T14:57:58Z) - Benchmarking the Robustness of LiDAR Semantic Segmentation Models [78.6597530416523]
本稿では,LiDARセマンティックセグメンテーションモデルのロバスト性を,様々な汚職の下で包括的に解析することを目的とする。
本稿では,悪天候,計測ノイズ,デバイス間不一致という3つのグループで16のドメイン外LiDAR破損を特徴とするSemanticKITTI-Cというベンチマークを提案する。
我々は、単純だが効果的な修正によってロバスト性を大幅に向上させるロバストLiDARセグメンテーションモデル(RLSeg)を設計する。
論文 参考訳（メタデータ） (2023-01-03T06:47:31Z) - The KFIoU Loss for Rotated Object Detection [115.334070064346]
本稿では,SkewIoU損失とトレンドレベルアライメントを両立できる近似的損失を考案する上で,有効な方法の1つとして論じる。
具体的には、対象をガウス分布としてモデル化し、SkewIoUのメカニズムを本質的に模倣するためにカルマンフィルタを採用する。
KFIoUと呼ばれる新たな損失は実装が容易で、正確なSkewIoUよりもうまく動作する。
論文 参考訳（メタデータ） (2022-01-29T10:54:57Z) - 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)
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。