論文の概要: AutoMerge: A Framework for Map Assembling and Smoothing in City-scale
Environments
- arxiv url: http://arxiv.org/abs/2207.06965v1
- Date: Thu, 14 Jul 2022 14:49:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-15 14:56:32.624453
- Title: AutoMerge: A Framework for Map Assembling and Smoothing in City-scale
Environments
- Title(参考訳): AutoMerge: 都市環境におけるマップの組み立てと平滑化のためのフレームワーク
- Authors: Peng Yin, Haowen Lai, Shiqi Zhao, Ruijie Fu, Ivan Cisneros, Ruohai Ge,
Ji Zhang, Howie Choset and Sebastian Scherer
- Abstract要約: AutoMergeは、多数のマップセグメントを完全なマップに組み立てるためのLiDARデータ処理フレームワークである。
都市規模マージ(120km)とキャンパス規模リピートマージ(4.5km×8)の両方でAutoMergeを実証する。
実験の結果、AutoMergeはセグメント検索において第2と第3のベストメソッドを14%、リコールを24%上回ることがわかった。
- 参考スコア(独自算出の注目度): 18.746294602955402
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present AutoMerge, a LiDAR data processing framework for assembling a
large number of map segments into a complete map. Traditional large-scale map
merging methods are fragile to incorrect data associations, and are primarily
limited to working only offline. AutoMerge utilizes multi-perspective fusion
and adaptive loop closure detection for accurate data associations, and it uses
incremental merging to assemble large maps from individual trajectory segments
given in random order and with no initial estimations. Furthermore, after
assembling the segments, AutoMerge performs fine matching and pose-graph
optimization to globally smooth the merged map. We demonstrate AutoMerge on
both city-scale merging (120km) and campus-scale repeated merging (4.5km x 8).
The experiments show that AutoMerge (i) surpasses the second- and third- best
methods by 14% and 24% recall in segment retrieval, (ii) achieves comparable 3D
mapping accuracy for 120 km large-scale map assembly, (iii) and it is robust to
temporally-spaced revisits. To the best of our knowledge, AutoMerge is the
first mapping approach that can merge hundreds of kilometers of individual
segments without the aid of GPS.
- Abstract(参考訳): 我々は、多数のマップセグメントを完全なマップに組み立てるためのLiDARデータ処理フレームワークであるAutoMergeを紹介する。
従来の大規模なマップマージ手法は、不正なデータアソシエーションに対して脆弱であり、主にオフラインでしか動作しない。
automergeは、正確なデータ関連付けのためにマルチパースペクティブ融合と適応ループクロージャ検出を利用し、インクリメンタルマージを使用してランダムに与えられた個々の軌道セグメントから大きなマップを組み立て、初期推定を行わない。
さらに、セグメントを組み立てた後、オートマージはマージマップをグローバルに滑らかにするためにファインマッチングおよびポーズグラフ最適化を行う。
都市規模合併(120km)とキャンパス規模反復合併(4.5km×8)について,AutoMergeを実証した。
実験によると オートマージは
(i)セグメント検索において,第2,第3の手法を14%,第2の手法を24%上回る。
(ii)大規模地図アセンブリ120kmで同等の3dマッピング精度を達成している。
(iii)時空間の再訪には堅牢である。
われわれの知る限りでは、AutoMergeはGPSを使わずに数百kmのセグメントをマージできる最初のマッピング手法だ。
関連論文リスト
- EAN-MapNet: Efficient Vectorized HD Map Construction with Anchor
Neighborhoods [3.699463628959233]
Anchor Neighborhoodsを用いた効率的なHDマップ構築のためのEAN-MapNetを提案する。
nuScenesデータセットでは、EAN-MapNetが63.0 mAPで最先端のパフォーマンスを達成した。
論文 参考訳(メタデータ) (2024-02-28T12:16:42Z) - Guidance Graph Optimization for Lifelong Multi-Agent Path Finding [50.9781867964022]
MAPF(Multi-Agent Path Finding)のスループット向上のためのガイダンスの活用法について検討する。
本稿では、生涯MAPFのためのガイダンスの多目的表現として、誘導誘導グラフを紹介する。
任意の寿命のMAPFアルゴリズムとマップのガイダンスを自動生成する2つのGGOアルゴリズムを提案する。
論文 参考訳(メタデータ) (2024-02-02T14:38:04Z) - MapTRv2: An End-to-End Framework for Online Vectorized HD Map
Construction [32.74879918300096]
High-definition (HD) マップは、運転シーンの豊富な正確な静的環境情報を提供する。
オンラインベクトル化HDマップ構築のためのエンドツーエンドフレームワークである textbfMap textbfTRansformer を提案する。
論文 参考訳(メタデータ) (2023-08-10T17:56:53Z) - 3D Line Mapping Revisited [86.13455066577657]
LIMAPは、3Dラインマッピングのためのライブラリで、多視点画像から3Dラインマップを堅牢かつ効率的に作成する。
私たちのコードは、既存のポイントベースのStructure-from-Motionメソッドとシームレスに統合されます。
私たちの堅牢な3Dラインマップは、新たな研究方向も開きます。
論文 参考訳(メタデータ) (2023-03-30T16:14:48Z) - Asynchronously Trained Distributed Topographic Maps [0.0]
分散トレーニングによって特徴マップを生成するために,N$の自律ユニットを用いたアルゴリズムを提案する。
単位の自律性は、分散探索とカスケード駆動の重み更新スキームを組み合わせることで、時間と空間のスパース相互作用によって達成される。
論文 参考訳(メタデータ) (2023-01-20T01:15:56Z) - GoRela: Go Relative for Viewpoint-Invariant Motion Forecasting [121.42898228997538]
精度や一般化を犠牲にすることなく、全てのエージェントとマップに対して効率的な共有符号化を提案する。
不均一空間グラフにおけるエージェントとマップ要素間の幾何学的関係を表現するために、ペアワイズ相対的な位置符号化を利用する。
我々のデコーダは視点非依存であり、レーングラフ上でエージェント目標を予測し、多様かつコンテキスト対応のマルチモーダル予測を可能にする。
論文 参考訳(メタデータ) (2022-11-04T16:10:50Z) - AutoMap: Automatic Medical Code Mapping for Clinical Prediction Model
Deployment [61.20485847293752]
本稿では,異なるEHRシステムにまたがる医療情報を自動マッピングするAutoMapを提案する。
実世界のEHRデータセットであるeICUとMIMIC-IIIの2つの深層学習モデルを用いてAutoMapを評価する。
その結果、AutoMapは死亡予測のための相対的な改善を3.9%(AUC-ROC)と8.7%(AUC-PR)に達成している。
論文 参考訳(メタデータ) (2022-03-04T17:20:21Z) - Generic Merging of Structure from Motion Maps with a Low Memory
Footprint [3.7838598767969502]
効率的で柔軟で堅牢なマップマージを可能にする新しいツールを紹介します。
シミュレーションデータと実データ – 手持ちの携帯電話とドローンの両方から – を用いることで,提案手法の性能を検証する。
論文 参考訳(メタデータ) (2021-03-24T15:03:25Z) - Learning Lane Graph Representations for Motion Forecasting [92.88572392790623]
生の地図データからレーングラフを構築し,地図構造を保存する。
我々は,アクター・トゥ・レーン,レーン・トゥ・レーン,レーン・トゥ・アクター,アクター・トゥ・アクターの4種類のインタラクションからなる融合ネットワークを利用する。
提案手法は,大規模Argoverse運動予測ベンチマークにおいて,最先端の手法を著しく上回っている。
論文 参考訳(メタデータ) (2020-07-27T17:59:49Z) - 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) - Maplets: An Efficient Approach for Cooperative SLAM Map Building Under
Communication and Computation Constraints [0.8499685241219366]
本稿では,大規模・近地・地下・屋内空間の協力的探索とマッピングを容易にするためのアプローチを紹介する。
この取り組みは、必要な通信と冗長な処理を制限することを重視したサイズ、重量、パワー(SWaP)エージェントを限定的にターゲットとしている。
論文 参考訳(メタデータ) (2020-05-20T18:49:31Z)
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。