論文の概要: Online Pole Segmentation on Range Images for Long-term LiDAR
Localization in Urban Environments
- arxiv url: http://arxiv.org/abs/2208.07364v1
- Date: Mon, 15 Aug 2022 17:58:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-16 14:52:26.088350
- Title: Online Pole Segmentation on Range Images for Long-term LiDAR
Localization in Urban Environments
- Title（参考訳）: 都市環境における長期LiDARローカライゼーションのための空間画像のオンラインポールセグメンテーション
- Authors: Hao Dong, Xieyuanli Chen, Simo S\"arkk\"a, Cyrill Stachniss
- Abstract要約: オンラインで実行される幾何学的特徴に基づく,新しい,正確かつ高速な極抽出手法を提案する。
本手法は3次元LiDARスキャンから生成した範囲画像を直接計算する。
抽出した極を擬似ラベルとして、オンライン範囲画像に基づく極分割のためのディープニューラルネットワークをトレーニングする。
- 参考スコア（独自算出の注目度）: 32.34672033386747
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Robust and accurate localization is a basic requirement for mobile autonomous
systems. Pole-like objects, such as traffic signs, poles, and lamps are
frequently used landmarks for localization in urban environments due to their
local distinctiveness and long-term stability. In this paper, we present a
novel, accurate, and fast pole extraction approach based on geometric features
that runs online and has little computational demands. Our method performs all
computations directly on range images generated from 3D LiDAR scans, which
avoids processing 3D point clouds explicitly and enables fast pole extraction
for each scan. We further use the extracted poles as pseudo labels to train a
deep neural network for online range image-based pole segmentation. We test
both our geometric and learning-based pole extraction methods for localization
on different datasets with different LiDAR scanners, routes, and seasonal
changes. The experimental results show that our methods outperform other
state-of-the-art approaches. Moreover, boosted with pseudo pole labels
extracted from multiple datasets, our learning-based method can run across
different datasets and achieve even better localization results compared to our
geometry-based method. We released our pole datasets to the public for
evaluating the performance of pole extractors, as well as the implementation of
our approach.
- Abstract（参考訳）: ロバストかつ正確なローカライゼーションは、モバイル自律システムの基本要件である。
交通標識、ポール、ランプなどのポールのような物体は、都市環境の局所的な特徴と長期的な安定性のためにしばしばランドマークとして使われる。
本稿では,オンライン上で動作し,計算要求が少ない幾何学的特徴に基づく,新しい,正確かつ高速な極抽出手法を提案する。
提案手法は,3次元LiDARスキャンから生成した範囲画像を直接計算することで,3次元点雲の処理を明示的に回避し,スキャン毎に高速な極抽出を可能にする。
さらに、抽出された極を擬似ラベルとして、オンラインレンジ画像に基づく極セグメンテーションのためのディープニューラルネットワークを訓練する。
我々は,異なるLiDARスキャナー,経路,季節変化を持つ異なるデータセット上で,幾何学的および学習的極抽出法の両方をテストする。
実験の結果,本手法は他の最先端手法よりも優れていることがわかった。
さらに,複数のデータセットから抽出した疑似極ラベルを加味することにより,学習に基づく手法が異なるデータセットにまたがって動作し,ジオメトリに基づく手法と比較して,さらに優れたローカライズ結果が得られる。
我々はポール抽出器の性能評価とアプローチの実装のためにポールデータセットを一般向けにリリースした。
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) - Map-aided annotation for pole base detection [0.0]
本稿では2次元HDマップを用いて,画像中の極状特徴を自動的にアノテートする。
高さ情報がない場合、地図の特徴は地上のポールベースとして表現される。
ポールベースを検出するためにオブジェクト検出器をどのように訓練するかを示す。
論文 参考訳（メタデータ） (2024-03-04T09:23:11Z) - CLIP-Guided Source-Free Object Detection in Aerial Images [17.26407623526735]
高解像度の空中画像は、しばしばかなりのストレージスペースを必要とし、一般にはアクセスできない。
そこで本研究では,これらの課題に対処する新しいSFOD法を提案する。
自己学習における雑音ラベルを緩和するために,コントラスト言語画像事前学習(CLIP)を用いて擬似ラベルの生成を誘導する。
CLIPのゼロショット分類機能を利用することで、そのスコアを予測された元のバウンディングボックスに集約し、擬似ラベルの洗練されたスコアを得ることができる。
論文 参考訳（メタデータ） (2024-01-10T14:03:05Z) - Improving Online Lane Graph Extraction by Object-Lane Clustering [106.71926896061686]
本稿では,局所レーングラフの推定精度を向上させるために,アーキテクチャと損失の定式化を提案する。
提案手法は,中心線をクラスタ中心とすることで,対象を中心線に割り当てることを学ぶ。
提案手法は既存の3次元オブジェクト検出手法の出力を用いて,大幅な性能向上を実現することができることを示す。
論文 参考訳（メタデータ） (2023-07-20T15:21:28Z) - 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) - SeqOT: A Spatial-Temporal Transformer Network for Place Recognition
Using Sequential LiDAR Data [9.32516766412743]
本研究では,シーケンシャルレンジ画像から得られる時間的・空間的情報を活用するトランスフォーマーネットワークSeqOTを提案する。
異なる環境下で異なる種類のLiDARセンサを用いて収集した4つのデータセットに対するアプローチを評価した。
本手法は,センサのフレームレートよりも高速に動作する。
論文 参考訳（メタデータ） (2022-09-16T14:08:11Z) - AutoGeoLabel: Automated Label Generation for Geospatial Machine Learning [69.47585818994959]
リモートセンシングデータのためのラベルの自動生成のためのビッグデータ処理パイプラインを評価する。
我々は,大規模データプラットフォームであるIBM PAIRSを用いて,密集都市部でそのようなラベルを動的に生成する。
論文 参考訳（メタデータ） (2022-01-31T20:02:22Z) - GANav: Group-wise Attention Network for Classifying Navigable Regions in
Unstructured Outdoor Environments [54.21959527308051]
本稿では,RGB画像から,オフロード地形および非構造環境における安全かつ航行可能な領域を識別する新しい学習手法を提案する。
本手法は,粒度の粗いセマンティックセグメンテーションを用いて,そのナビビリティレベルに基づいて地形分類群を分類する。
RUGD と RELLIS-3D のデータセットを広範囲に評価することにより,我々の学習アルゴリズムがナビゲーションのためのオフロード地形における視覚知覚の精度を向上させることを示す。
論文 参考訳（メタデータ） (2021-03-07T02:16:24Z) - Campus3D: A Photogrammetry Point Cloud Benchmark for Hierarchical
Understanding of Outdoor Scene [76.4183572058063]
複数の屋外シーン理解タスクに対して,リッチな注釈付き3Dポイントクラウドデータセットを提案する。
データセットは階層型ラベルとインスタンスベースのラベルの両方でポイントワイズアノテートされている。
本稿では,3次元点雲分割のための階層的学習問題を定式化し,様々な階層間の整合性を評価することを提案する。
論文 参考訳（メタデータ） (2020-08-11T19:10:32Z) - Robust Image Retrieval-based Visual Localization using Kapture [10.249293519246478]
視覚的ローカライゼーションのための多用途パイプラインを提案する。
8つの公開データセットで評価し、それらが上位にランクされ、その多くが上位にランクされている。
今後の研究を促進するため、我々は、BSDライセンス下でオープンソースであるKaptureフォーマットで、コード、モデル、およびすべてのデータセットをリリースする。
論文 参考訳（メタデータ） (2020-07-27T21:10:35Z) - Reconfigurable Voxels: A New Representation for LiDAR-Based Point Clouds [76.52448276587707]
本稿では,3次元点群から表現を構成する新しい手法であるReconfigurable Voxelsを提案する。
具体的には,各地区を一定数のボクセルで適応的にカバーするランダムウォーク方式を考案する。
この手法は,特に疎水領域において,ボクセル特性の安定性を効果的に向上することがわかった。
論文 参考訳（メタデータ） (2020-04-06T15:07:16Z)
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。