論文の概要: BoxGraph: Semantic Place Recognition and Pose Estimation from 3D LiDAR
- arxiv url: http://arxiv.org/abs/2206.15154v1
- Date: Thu, 30 Jun 2022 09:39:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-01 15:20:25.014664
- Title: BoxGraph: Semantic Place Recognition and Pose Estimation from 3D LiDAR
- Title（参考訳）: BoxGraph: 3D LiDARによる意味的位置認識と詩推定
- Authors: Georgi Pramatarov, Daniele De Martini, Matthew Gadd, Paul Newman
- Abstract要約: 意味的に特定されたコンポーネントの完全連結グラフとして、3Dポイントクラウドをモデル化する。
グラフ間の最適アソシエーションにより、完全な6自由度(DoF)のポーズ推定と位置認識が可能になる。
この表現は非常に簡潔で、最先端に対して25の因子で写像のサイズを縮める。
- 参考スコア（独自算出の注目度）: 22.553026961366005
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper is about extremely robust and lightweight localisation using LiDAR
point clouds based on instance segmentation and graph matching. We model 3D
point clouds as fully-connected graphs of semantically identified components
where each vertex corresponds to an object instance and encodes its shape.
Optimal vertex association across graphs allows for full 6-Degree-of-Freedom
(DoF) pose estimation and place recognition by measuring similarity. This
representation is very concise, condensing the size of maps by a factor of 25
against the state-of-the-art, requiring only 3kB to represent a 1.4MB laser
scan. We verify the efficacy of our system on the SemanticKITTI dataset, where
we achieve a new state-of-the-art in place recognition, with an average of
88.4% recall at 100% precision where the next closest competitor follows with
64.9%. We also show accurate metric pose estimation performance - estimating
6-DoF pose with median errors of 10 cm and 0.33 deg.
- Abstract（参考訳）: 本稿では,インスタンス分割とグラフマッチングに基づくLiDAR点雲を用いた極めて堅牢で軽量なローカライゼーションについて述べる。
我々は、各頂点がオブジェクトインスタンスに対応し、その形状を符号化する意味的に特定されたコンポーネントの完全連結グラフとして3Dポイントクラウドをモデル化する。
グラフ間の最適な頂点アソシエーションは、6自由度(DoF)の完全なポーズ推定と類似度の測定による位置認識を可能にする。
この表現は非常に簡潔で、最先端技術に対して25倍の大きさの地図を凝縮し、3kBで1.4MBのレーザースキャンを表現できる。
我々は,semantickittiデータセットにおけるシステムの有効性を検証する。そこでは,平均88.4%のリコールを,次に最も近い競合相手が64.9%の精度で100%精度で達成する。
また、10cm/0.33degの中央値誤差で6dofのポーズを推定する正確なメトリックポーズ推定性能を示す。
関連論文リスト
- On-the-fly Point Feature Representation for Point Clouds Analysis [7.074010861305738]
そこで我々は,曲線特徴生成モジュールを通じて,豊富な幾何学的情報を明示的にキャプチャするOn-the-fly Point Feature Representation (OPFR)を提案する。
また、三角形集合に基づく局所座標系を近似した局所参照コンストラクタモジュールを導入する。
OPFRは推論に1.56ms(バニラPFHより65倍速い)と0.012M以上のパラメータしか必要とせず、様々なバックボーン用の汎用的なプラグアンドプレイモジュールとして機能する。
論文 参考訳（メタデータ） (2024-07-31T04:57:06Z) - That's My Point: Compact Object-centric LiDAR Pose Estimation for
Large-scale Outdoor Localisation [18.26335698291226]
本稿では,LiDARスキャンにおける3次元ポーズ推定について述べる。
セグメント化されたスキャンのすべての点をセマンティックオブジェクトにクラスタリングし、それらをそれぞれのセントロイドとセマンティッククラスでのみ表現することで、これを実現する。
ほぼ半分の表現サイズを持つ最先端の手法に匹敵する正確な距離推定を実現する。
論文 参考訳（メタデータ） (2024-03-07T18:55:30Z) - Whole-body Detection, Recognition and Identification at Altitude and
Range [57.445372305202405]
多様なデータセットに基づいて評価したエンドツーエンドシステムを提案する。
我々のアプローチでは、一般的な画像データセットで検出器を事前トレーニングし、BRIARの複雑なビデオや画像でそれを微調整する。
屋内・屋外・航空シナリオにおける様々な範囲や角度の異なる条件下で徹底的な評価を行う。
論文 参考訳（メタデータ） (2023-11-09T20:20:23Z) - Volumetric Semantically Consistent 3D Panoptic Mapping [77.13446499924977]
非構造環境における自律エージェントに適したセマンティック3Dマップを生成することを目的としたオンライン2次元から3次元のセマンティック・インスタンスマッピングアルゴリズムを提案する。
マッピング中にセマンティック予測の信頼性を統合し、セマンティックおよびインスタンス一貫性のある3D領域を生成する新しい方法を導入する。
提案手法は,パブリックな大規模データセット上での最先端の精度を実現し,多くの広く使用されているメトリクスを改善した。
論文 参考訳（メタデータ） (2023-09-26T08:03:10Z) - LFM-3D: Learnable Feature Matching Across Wide Baselines Using 3D
Signals [9.201550006194994]
学習可能なマーカは、画像ペア間のコビジュアビリティの小さな領域だけが存在する場合、しばしば性能が低下する。
グラフニューラルネットワークに基づくモデルを用いた学習可能な特徴マッチングフレームワーク LFM-3D を提案する。
その結果,画像対の相対的ポーズ精度が向上し,画像対の相対的ポーズ精度が向上することがわかった。
論文 参考訳（メタデータ） (2023-03-22T17:46:27Z) - A Large Scale Homography Benchmark [52.55694707744518]
1DSfMデータセットから10万枚の画像から約1000個の平面が観測された3D, Pi3Dの平面の大規模データセットを示す。
また,Pi3Dを利用した大規模ホモグラフィ推定ベンチマークであるHEBを提案する。
論文 参考訳（メタデータ） (2023-02-20T14:18:09Z) - Contour Context: Abstract Structural Distribution for 3D LiDAR Loop
Detection and Metric Pose Estimation [31.968749056155467]
本稿では,高精度な3DoF距離ポーズ推定を用いた簡易かつ効果的かつ効率的なトポロジカルループ閉包検出パイプラインを提案する。
我々は,3次元LiDAR点から投影されるBEV像を構造層分布として解釈する。
検索キーは、層状KD木でインデックスされたデータベースの検索を高速化するように設計されている。
論文 参考訳（メタデータ） (2023-02-13T07:18:24Z) - Lepard: Learning partial point cloud matching in rigid and deformable
scenes [73.45277809052928]
Lepardは、厳格で変形可能なシーンのための部分点クラウドマッチングのための学習ベースのアプローチである。
厳密な点のクラウドマッチングのために、Lepardは3DMatch / 3DLoMatchベンチマークに93.6% / 69.0%の登録リコールを新たに設定した。
変形可能な場合、Lepardは、新たに構築した4DMatch / 4DLoMatchベンチマークの以前の技術よりも、+27.1% / +34.8%高い非厳密な特徴マッチングリコールを達成した。
論文 参考訳（メタデータ） (2021-11-24T16:09:29Z) - Category-Level Metric Scale Object Shape and Pose Estimation [73.92460712829188]
本稿では,測度スケールの形状と1枚のRGB画像からのポーズを共同で推定するフレームワークを提案する。
カテゴリーレベルのオブジェクトのポーズと形状を評価するために,合成と実世界の両方のデータセット上で本手法の有効性を検証した。
論文 参考訳（メタデータ） (2021-09-01T12:16:46Z) - Semantic Graph Based Place Recognition for 3D Point Clouds [22.608115489674653]
本稿では,位置認識のためのセマンティックグラフに基づく新しいアプローチを提案する。
まず、ポイントクラウドシーンのための新しいセマンティックグラフ表現を提案する。
次に、その類似性を計算するために、高速で効果的なグラフ類似性ネットワークを設計する。
論文 参考訳（メタデータ） (2020-08-26T09:27:26Z) - PerMO: Perceiving More at Once from a Single Image for Autonomous
Driving [76.35684439949094]
単一画像から完全テクスチャ化された車両の3次元モデルを検出し,セグメント化し,再構成する新しい手法を提案する。
私たちのアプローチは、ディープラーニングの強みと従来のテクニックの優雅さを組み合わせています。
我々はこれらのアルゴリズムを自律運転システムに統合した。
論文 参考訳（メタデータ） (2020-07-16T05:02:45Z)
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。