論文の概要: Learning-based Localizability Estimation for Robust LiDAR Localization
- arxiv url: http://arxiv.org/abs/2203.05698v1
- Date: Fri, 11 Mar 2022 01:12:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-14 11:55:36.636889
- Title: Learning-based Localizability Estimation for Robust LiDAR Localization
- Title（参考訳）: 学習に基づくロバストLiDAR位置推定
- Authors: Julian Nubert, Etienne Walther, Shehryar Khattak, Marco Hutter
- Abstract要約: LiDARベースのローカライゼーションとマッピングは、多くの現代のロボットシステムにおける中核的なコンポーネントの1つである。
本研究では,ロボット動作中の(非)局所性を検出するニューラルネットワークに基づく推定手法を提案する。
- 参考スコア（独自算出の注目度）: 13.298113481670038
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: LiDAR-based localization and mapping is one of the core components in many
modern robotic systems due to the direct integration of range and geometry,
allowing for precise motion estimation and generation of high quality maps in
real-time. Yet, as a consequence of insufficient environmental constraints
present in the scene, this dependence on geometry can result in localization
failure, happening in self-symmetric surroundings such as tunnels. This work
addresses precisely this issue by proposing a neural network-based estimation
approach for detecting (non-)localizability during robot operation. Special
attention is given to the localizability of scan-to-scan registration, as it is
a crucial component in many LiDAR odometry estimation pipelines. In contrast to
previous, mostly traditional detection approaches, the proposed method enables
early detection of failure by estimating the localizability on raw sensor
measurements without evaluating the underlying registration optimization.
Moreover, previous approaches remain limited in their ability to generalize
across environments and sensor types, as heuristic-tuning of degeneracy
detection thresholds is required. The proposed approach avoids this problem by
learning from a corpus of different environments, allowing the network to
function over various scenarios. Furthermore, the network is trained
exclusively on simulated data, avoiding arduous data collection in challenging
and degenerate, often hard-to-access, environments. The presented method is
tested during field experiments conducted across challenging environments and
on two different sensor types without any modifications. The observed detection
performance is on par with state-of-the-art methods after environment-specific
threshold tuning.
- Abstract（参考訳）: lidarベースのローカライズとマッピングは、範囲と幾何を直接統合することで、リアルタイムに高精度な動き推定と高品質マップの生成を可能にするため、多くの現代のロボットシステムのコアコンポーネントの1つである。
しかし、現場に存在する環境制約が不十分なため、この幾何学への依存は、トンネルのような自己対称の環境において、局所化の失敗をもたらす可能性がある。
本研究は,ロボット操作中の(非)局所性検出のためのニューラルネットワークに基づく推定手法を提案することで,この問題を正確に解決する。
多くのLiDARオドメトリー推定パイプラインにおいて重要な要素であるため、スキャン・スキャン登録のローカライズ可能性に特に注意が払われる。
従来の従来の検出手法とは対照的に,提案手法では,生センサのローカライザビリティを基礎登録の最適化を評価することなく推定することにより,故障を早期に検出できる。
さらに、縮退検出しきい値のヒューリスティックチューニングが必要とされるため、従来のアプローチは環境やセンサタイプをまたいで一般化する能力に限られていた。
提案手法は,異なる環境のコーパスから学習することで,ネットワークが様々なシナリオで機能することを可能にする。
さらに、ネットワークはシミュレーションデータのみに基づいてトレーニングされ、困難なデータ収集を避けて、挑戦的で縮退し、しばしばアクセスが難しい環境になる。
提案手法は,難易度の高い環境および2種類のセンサを用いたフィールド実験において,無修正で実験を行った。
観測された検出性能は,環境特異的しきい値調整後の最先端手法と同等である。
関連論文リスト
- Convolutional Neural Network Design and Evaluation for Real-Time Multivariate Time Series Fault Detection in Spacecraft Attitude Sensors [41.94295877935867]
本稿では,ドローンのような宇宙船の加速度計および慣性測定ユニット内のスタンプ値を検出するための新しい手法を提案する。
マルチチャネル畳み込みニューラルネットワーク(CNN)は、マルチターゲット分類を実行し、センサ内の障害を独立に検出するために使用される。
ネットワークの異常を効果的に検出し,システムレベルでの回復動作をトリガーする統合手法を提案する。
論文 参考訳（メタデータ） (2024-10-11T09:36:38Z) - Incorporating Gradients to Rules: Towards Lightweight, Adaptive Provenance-based Intrusion Detection [11.14938737864796]
多様な環境に自動的に適応できるルールベースのPIDSであるCAPTAINを提案する。
我々は、微分可能なタグ伝搬フレームワークを構築し、勾配降下アルゴリズムを用いてこれらの適応パラメータを最適化する。
その結果,CAPTAINは検出精度の向上,検出遅延の低減,ランタイムオーバーヘッドの低減,検出アラームや知識の解釈性の向上を実現している。
論文 参考訳（メタデータ） (2024-04-23T03:50:57Z) - Interactive System-wise Anomaly Detection [66.3766756452743]
異常検出は様々なアプリケーションにおいて基本的な役割を果たす。
既存のメソッドでは、インスタンスがデータとして容易に観察できないシステムであるシナリオを扱うのが難しい。
システム埋め込みを学習するエンコーダデコーダモジュールを含むエンドツーエンドアプローチを開発する。
論文 参考訳（メタデータ） (2023-04-21T02:20:24Z) - Real-Time Outlier Detection with Dynamic Process Limits [0.609170287691728]
本稿では,既存のリアルタイムインフラストラクチャを対象としたオンライン異常検出アルゴリズムを提案する。
オンライン逆累積分布に基づく手法を導入し、オフライン異常検出器の一般的な問題を排除した。
提案手法の利点は, 実マイクログリッド演算データの2例に示すように, 使いやすさ, 高速計算, 展開性である。
論文 参考訳（メタデータ） (2023-01-31T10:23:02Z) - Self-Calibrating Anomaly and Change Detection for Autonomous Inspection
Robots [0.07366405857677225]
視覚異常または変化検出アルゴリズムは、参照画像やデータセットとは異なる画像の領域を特定する。
本研究では,事前の未知環境における異常や変化を検出するための総合的なディープラ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） (2022-08-26T09:52:12Z) - CertainNet: Sampling-free Uncertainty Estimation for Object Detection [65.28989536741658]
ニューラルネットワークの不確実性を推定することは、安全クリティカルな設定において基本的な役割を果たす。
本研究では,オブジェクト検出のための新しいサンプリング不要不確実性推定法を提案する。
私たちはそれをCertainNetと呼び、各出力信号に対して、オブジェクト性、クラス、位置、サイズという、別の不確実性を提供するのは、これが初めてです。
論文 参考訳（メタデータ） (2021-10-04T17:59:31Z) - A Convolutional Neural Network-based Approach to Field Reconstruction [0.0]
多くのアプリケーションでは、スパイクや不連続性、危険な不均一性を検出するために、フィールドの空間分布を注意深く監視する必要がある。
この研究では、これらの要求に対処できる物理インフォームドなデータ駆動アルゴリズムが提示される。
論文 参考訳（メタデータ） (2021-08-27T00:16:44Z) - Bayesian Autoencoders for Drift Detection in Industrial Environments [69.93875748095574]
オートエンコーダは、マルチセンサー環境で異常を検出するために使用される教師なしモデルである。
異常は、実際の環境の変化(実際のドリフト)や、故障した感覚デバイス(仮想ドリフト)から生じる。
論文 参考訳（メタデータ） (2021-07-28T10:19:58Z) - Cycle and Semantic Consistent Adversarial Domain Adaptation for Reducing
Simulation-to-Real Domain Shift in LiDAR Bird's Eye View [110.83289076967895]
ドメイン適応プロセス中に関心のある小さなオブジェクトの情報を保存するために,事前の意味分類を用いたサイクガンに基づくbevドメイン適応法を提案する。
生成したBEVの品質は,KITTI 3D Object Detection Benchmarkの最先端3Dオブジェクト検出フレームワークを用いて評価されている。
論文 参考訳（メタデータ） (2021-04-22T12:47:37Z) - Attribute-Guided Adversarial Training for Robustness to Natural
Perturbations [64.35805267250682]
本稿では,属性空間への分類器の露出を最大化するために,新しいサンプルを生成することを学習する逆学習手法を提案する。
我々のアプローチは、ディープニューラルネットワークが自然に発生する摂動に対して堅牢であることを可能にする。
論文 参考訳（メタデータ） (2020-12-03T10:17:30Z) - Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for
Online Collision Avoidance [95.86944752753564]
本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。
我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。
本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
論文 参考訳（メタデータ） (2020-07-28T07:34:30Z)
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。