論文の概要: Indoor simultaneous localization and mapping based on fringe projection profilometry

• arxiv url: http://arxiv.org/abs/2204.11020v1
• Date: Sat, 23 Apr 2022 08:35:58 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-26 15:45:22.460009
• Title: Indoor simultaneous localization and mapping based on fringe projection profilometry
• Title（参考訳）: 差分投影プロファイロメトリーに基づく屋内同時位置推定とマッピング
• Authors: Yang Zhao, Kai Zhang, Haotian Yu, Yi Zhang, Dongliang Zheng, Jing Han
• Abstract要約: 本稿では,FPPの座標変換関係に基づいたFPPを用いた室内SLAM法を提案する。 提案した屋内SLAMは1ミリ付近の局所化とマッピングの精度を達成できる。
• 参考スコア（独自算出の注目度）: 17.58921454201053
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Simultaneous Localization and Mapping (SLAM) plays an important role in outdoor and indoor applications ranging from autonomous driving to indoor robotics. Outdoor SLAM has been widely used with the assistance of LiDAR or GPS. For indoor applications, the LiDAR technique does not satisfy the accuracy requirement and the GPS signals will be lost. An accurate and efficient scene sensing technique is required for indoor SLAM. As the most promising 3D sensing technique, the opportunities for indoor SLAM with fringe projection profilometry (FPP) systems are obvious, but methods to date have not fully leveraged the accuracy and speed of sensing that such systems offer. In this paper, we propose a novel FPP-based indoor SLAM method based on the coordinate transformation relationship of FPP, where the 2D-to-3D descriptor-assisted is used for mapping and localization. The correspondences generated by matching descriptors are used for fast and accurate mapping, and the transform estimation between the 2D and 3D descriptors is used to localize the sensor. The provided experimental results demonstrate that the proposed indoor SLAM can achieve the localization and mapping accuracy around one millimeter.
• Abstract（参考訳）: 同時ローカライゼーションとマッピング(slam)は、自律運転から屋内ロボットまで、屋外や屋内のアプリケーションにおいて重要な役割を担っている。 屋外SLAMはLiDARやGPSの助けを借りて広く利用されている。 屋内アプリケーションでは、LiDAR技術は精度を満足せず、GPS信号は失われる。 屋内SLAMには正確かつ効率的なシーンセンシング技術が必要である。 最も有望な3Dセンシング技術として、FPP (fringe projection profilometry) システムを用いた屋内SLAMの機会は明らかであるが、これまではそのようなシステムが提供する精度と速度を十分に活用していなかった。 本稿では,FPPの座標変換関係に基づくFPPを用いた室内SLAM手法を提案する。 マッチングディスクリプタによって生成された対応を高速かつ正確なマッピングに使用し、センサのローカライズには2Dと3Dデクリプタ間の変換推定を用いる。 提案した室内SLAMは, 1ミリ付近の局所化とマッピングの精度を向上できることを示した。

関連論文リスト

• The Oxford Spires Dataset: Benchmarking Large-Scale LiDAR-Visual Localisation, Reconstruction and Radiance Field Methods [10.265865092323041]
  本稿では,オックスフォードの有名なランドマーク周辺で収集された大規模マルチモーダルデータセットを紹介する。 また、ローカライゼーション、再構築、新規ビュー合成を含むタスクのベンチマークも作成する。 我々のデータセットとベンチマークは、放射場法とSLAMシステムのより良い統合を容易にすることを意図している。
  論文  参考訳（メタデータ） (2024-11-15T19:43:24Z)
• EM-GANSim: Real-time and Accurate EM Simulation Using Conditional GANs for 3D Indoor Scenes [55.2480439325792]
  実時間電磁伝搬のための新しい機械学習手法(EM-GANSim)を提案する。 実際には、3D屋内環境のあらゆる場所で数ミリ秒で信号強度を計算することができる。
  論文  参考訳（メタデータ） (2024-05-27T17:19:02Z)
• MM3DGS SLAM: Multi-modal 3D Gaussian Splatting for SLAM Using Vision, Depth, and Inertial Measurements [59.70107451308687]
  カメラ画像と慣性測定による地図表現に3Dガウスアンを用いることで、精度の高いSLAMが実現できることを示す。 我々の手法であるMM3DGSは、より高速なスケール認識と軌道追跡の改善により、事前レンダリングの限界に対処する。 また,カメラと慣性測定ユニットを備えた移動ロボットから収集したマルチモーダルデータセットUT-MMもリリースした。
  論文  参考訳（メタデータ） (2024-04-01T04:57:41Z)
• PIN-SLAM: LiDAR SLAM Using a Point-Based Implicit Neural Representation for Achieving Global Map Consistency [30.5868776990673]
  PIN-SLAMは、弾性的かつコンパクトな点ベースの暗黙的ニューラルマップ表現に基づいて、一貫した一貫したマップを構築するシステムである。 我々の暗黙の地図は、ループを閉じる際の大域的なポーズ調整とともに、本質的に弾性で変形可能なスパース最適化可能なニューラルポイントに基づいている。 PIN-SLAMは、最先端のLiDARオドメトリーやSLAMシステムと同等のポーズ推定精度を達成する。
  論文  参考訳（メタデータ） (2024-01-17T10:06:12Z)
• UnLoc: A Universal Localization Method for Autonomous Vehicles using LiDAR, Radar and/or Camera Input [51.150605800173366]
  UnLocは、全ての気象条件におけるマルチセンサー入力によるローカライズのための、新しい統一型ニューラルネットワークアプローチである。 本手法は,Oxford Radar RobotCar,Apollo SouthBay,Perth-WAの各データセットで広く評価されている。
  論文  参考訳（メタデータ） (2023-07-03T04:10:55Z)
• UncLe-SLAM: Uncertainty Learning for Dense Neural SLAM [60.575435353047304]
  我々は、高密度ニューラルネットワークの同時局所化とマッピング(SLAM)のための不確実性学習フレームワークを提案する。 本稿では,2次元入力データのみから自己教師付きで学習可能なセンサ不確実性推定のためのオンラインフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-19T16:26:25Z)
• ESLAM: Efficient Dense SLAM System Based on Hybrid Representation of Signed Distance Fields [2.0625936401496237]
  ESLAMは、未知のカメラポーズでRGB-Dフレームを読み出し、シーン表現を漸進的に再構築する。 ESLAMは3次元再構成の精度を向上し、最先端の高密度視覚SLAM法のカメラローカライゼーションを50%以上向上する。
  論文  参考訳（メタデータ） (2022-11-21T18:25:14Z)
• Semi-Perspective Decoupled Heatmaps for 3D Robot Pose Estimation from Depth Maps [66.24554680709417]
  協調環境における労働者とロボットの正確な3D位置を知ることは、いくつかの実際のアプリケーションを可能にする。 本研究では、深度デバイスと深度ニューラルネットワークに基づく非侵襲的なフレームワークを提案し、外部カメラからロボットの3次元ポーズを推定する。
  論文  参考訳（メタデータ） (2022-07-06T08:52:12Z)
• Phase-SLAM: Phase Based Simultaneous Localization and Mapping for Mobile Structured Light Illumination Systems [14.9174946109114]
  Phase-SLAMは、高速かつ正確なSLIセンサのポーズ推定と3Dオブジェクト再構成のためのフレームワークである。 シミュレーションプラットフォームとロボットアームをベースとしたSLIシステムの両方のデータセットを現実に構築し,提案手法の検証を行う。 実験結果から,提案したPhase-SLAMは,ポーズ推定や3次元再構成の点で,他の最先端手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2022-01-22T13:47:06Z)
• Uncertainty-Aware Camera Pose Estimation from Points and Lines [101.03675842534415]
  Perspective-n-Point-and-Line (Pn$PL) は、2D-3D特徴座標の3Dモデルに関して、高速で正確で堅牢なカメラローカライゼーションを目指している。
  論文  参考訳（メタデータ） (2021-07-08T15:19:36Z)
• LatentSLAM: unsupervised multi-sensor representation learning for localization and mapping [7.857987850592964]
  低次元潜在状態記述子を生成する教師なし表現学習手法を提案する。 本手法はセンサ非依存であり,任意のセンサモダリティに適用可能である。 複数のセンサを組み合わせることで、偽の一致数を減らすことで堅牢性が向上することを示す。
  論文  参考訳（メタデータ） (2021-05-07T13:44:32Z)

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。