論文の概要: CNN-Augmented Visual-Inertial SLAM with Planar Constraints
- arxiv url: http://arxiv.org/abs/2205.02940v1
- Date: Thu, 5 May 2022 21:49:57 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-09 22:45:28.128131
- Title: CNN-Augmented Visual-Inertial SLAM with Planar Constraints
- Title(参考訳): 平面制約付きCNN拡張ビジュアル慣性SLAM
- Authors: Pan Ji, Yuan Tian, Qingan Yan, Yuxin Ma, and Yi Xu
- Abstract要約: 本稿では,畳み込みニューラルネットワーク(CNN)と平面制約を組み合わせた,堅牢なビジュアル慣性SLAMシステムを提案する。
我々はCNNを用いて各画像の深度マップとそれに対応する不確実性マップを予測する。
また,1点RANSACと2点RANSACで水平面を検出する高速平面検出手法を提案する。
- 参考スコア(独自算出の注目度): 26.024485121674328
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present a robust visual-inertial SLAM system that combines the benefits of
Convolutional Neural Networks (CNNs) and planar constraints. Our system
leverages a CNN to predict the depth map and the corresponding uncertainty map
for each image. The CNN depth effectively bootstraps the back-end optimization
of SLAM and meanwhile the CNN uncertainty adaptively weighs the contribution of
each feature point to the back-end optimization. Given the gravity direction
from the inertial sensor, we further present a fast plane detection method that
detects horizontal planes via one-point RANSAC and vertical planes via
two-point RANSAC. Those stably detected planes are in turn used to regularize
the back-end optimization of SLAM. We evaluate our system on a public dataset,
\ie, EuRoC, and demonstrate improved results over a state-of-the-art SLAM
system, \ie, ORB-SLAM3.
- Abstract(参考訳): 本稿では,畳み込みニューラルネットワーク(CNN)と平面制約を組み合わせた,堅牢なビジュアル慣性SLAMシステムを提案する。
本システムは,CNNを用いて各画像の深度マップと対応する不確実性マップを予測する。
CNNの深さはSLAMのバックエンド最適化を効果的にブートストラップし、一方CNNの不確実性は各特徴点のバックエンド最適化への寄与を適応的に重み付けする。
さらに、慣性センサからの重力方向を考慮し、一点RANSACおよび二点RANSACを介して水平面を検出する高速平面検出法を提案する。
これらの安定に検出された平面は、SLAMのバックエンド最適化の規則化に使用される。
提案システムは,公開データセットである \ie, EuRoC を用いて評価し, 最先端SLAMシステムである \ie, ORB-SLAM3 に対して改良された結果を示す。
関連論文リスト
- GS-SLAM: Dense Visual SLAM with 3D Gaussian Splatting [54.56928482110888]
本稿では,まず3次元ガウス表現を同時局所化・マッピングシステムで利用するtextbfGS-SLAM$を紹介する。
提案手法では,地図の最適化とRGB-D再レンダリングの大幅な高速化を実現するリアルタイム微分可能なスプレイティングレンダリングパイプラインを利用する。
提案手法は,Replica,TUM-RGBDデータセット上の既存の最先端リアルタイム手法と比較して,競争性能が向上する。
論文 参考訳(メタデータ) (2023-11-20T12:08:23Z) - 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) - VP-SLAM: A Monocular Real-time Visual SLAM with Points, Lines and
Vanishing Points [31.55798962786664]
本稿では,ライン抽出とVP抽出をリアルタイムに行う一眼レフ画像SLAMシステムを提案する。
また,ロボットの翻訳を推定し,回転を改善するために,失点を利用した2つの戦略を提案する。
提案システムは最先端の結果をリアルタイムに実現し,その性能は従来のORB-SLAM2システムに近いままである。
論文 参考訳(メタデータ) (2022-10-23T15:54:26Z) - Structure PLP-SLAM: Efficient Sparse Mapping and Localization using
Point, Line and Plane for Monocular, RGB-D and Stereo Cameras [13.693353009049773]
本稿では,PPRモジュールを組み込んだ高機能カメラローカライゼーションを実現するために,ポイント・ライン・クラウドを用いた視界SLAMシステムを提案する。
再構成された線や平面上での複数の実行時最適化を提案することにより,幾何的プリミティブをスケールのあいまいさで再構築するという課題に対処する。
その結果,提案したSLAMはセマンティック機能をしっかりと組み込んで,トラッキングとバックエンドの最適化を強化していることがわかった。
論文 参考訳(メタデータ) (2022-07-13T09:05:35Z) - Deep convolutional neural network for shape optimization using level-set
approach [0.0]
本稿では,深部畳み込みニューラルネットワーク(CNN)を用いた形状最適化のための低次モデリング手法を提案する。
CNNベースのリダクションオーダーモデル(ROM)は完全にデータ駆動型で構築され、非侵襲的なアプリケーションに適している。
論文 参考訳(メタデータ) (2022-01-17T04:41:51Z) - 3DVNet: Multi-View Depth Prediction and Volumetric Refinement [68.68537312256144]
3DVNetは、新しいマルチビューステレオ(MVS)深度予測法である。
私たちのキーとなるアイデアは、粗い深度予測を反復的に更新する3Dシーンモデリングネットワークを使用することです。
本手法は, 深度予測と3次元再構成の両指標において, 最先端の精度を超えることを示す。
論文 参考訳(メタデータ) (2021-12-01T00:52:42Z) - Online Adaptation of Monocular Depth Prediction with Visual SLAM [8.478040209440868]
CNNによる正確な深度予測の能力は、実用的な視界SLAMアプリケーションで広く利用されている大きな課題である。
深度予測を微調整する2つの相補的なプロセスからなる新しいオンライン適応フレームワークを提案する。
実験環境におけるベンチマークデータセットと実ロボットの両方の実験結果から,提案手法がSLAM再構成精度を向上させることを示す。
論文 参考訳(メタデータ) (2021-11-07T14:20:35Z) - Greedy-Based Feature Selection for Efficient LiDAR SLAM [12.257338124961622]
本論文では,L-SLAMシステムの精度と効率を,機能のサブセットを積極的に選択することで大幅に向上できることを実証する。
提案手法は,最先端のL-SLAMシステムと比較して,ローカライズ誤差と高速化が低いことを示す。
論文 参考訳(メタデータ) (2021-03-24T11:03:16Z) - Pushing the Envelope of Rotation Averaging for Visual SLAM [69.7375052440794]
視覚SLAMシステムのための新しい最適化バックボーンを提案する。
従来の単分子SLAMシステムの精度, 効率, 堅牢性を向上させるために, 平均化を活用している。
我々のアプローチは、公開ベンチマークの最先端技術に対して、同等の精度で最大10倍高速に表示することができる。
論文 参考訳(メタデータ) (2020-11-02T18:02:26Z) - Pseudo RGB-D for Self-Improving Monocular SLAM and Depth Prediction [72.30870535815258]
モノクロ深度予測のためのCNNは、周囲の環境の3Dマップを構築するための2つの大きく不連続なアプローチを表している。
本稿では,CNN予測深度を利用してRGB-D特徴量に基づくSLAMを行う,狭義の広義の自己改善フレームワークを提案する。
一方、より原理化された幾何学的SLAMの3次元シーン構造とカメラポーズは、新しい広義のベースライン損失により奥行きネットワークに注入される。
論文 参考訳(メタデータ) (2020-04-22T16:31:59Z) - What Deep CNNs Benefit from Global Covariance Pooling: An Optimization
Perspective [102.37204254403038]
我々は最適化の観点から、GCPの深いCNNのメリットを理解する試みを行っている。
GCPは最適化のランドスケープをよりスムーズにし、勾配をより予測できることを示す。
多様なタスクに対して様々な深部CNNモデルを用いて広範な実験を行い,その結果を強く支持する。
論文 参考訳(メタデータ) (2020-03-25T07:00:45Z)
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。