論文の概要: JVLDLoc: a Joint Optimization of Visual-LiDAR Constraints and Direction Priors for Localization in Driving Scenario

• arxiv url: http://arxiv.org/abs/2208.09777v1
• Date: Sun, 21 Aug 2022 01:50:31 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-23 14:11:57.518239
• Title: JVLDLoc: a Joint Optimization of Visual-LiDAR Constraints and Direction Priors for Localization in Driving Scenario
• Title（参考訳）: JVLDLoc:運転シナリオにおける視覚-LiDAR制約と方向優先の併用最適化
• Authors: Longrui Dong and Gang Zeng
• Abstract要約: 本稿では,地図の先行点と画像から点を融合させる手法を提案し,回転のみに制約されたエネルギー項を確立する。 これらの方向を視覚-LiDAR SLAMシステムに組み込み、カメラとLiDARの測定をバックエンドで密結合した方法で統合する。 KITTI,KITTI-360およびOxford Radar Robotcarを用いた実験により,本手法が有効であることを示す先行マップよりもローローカライゼーション誤差(Absolute Pose Error,APE)が低いことを示す。
• 参考スコア（独自算出の注目度）: 13.439456870837029
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The ability for a moving agent to localize itself in environment is the basic demand for emerging applications, such as autonomous driving, etc. Many existing methods based on multiple sensors still suffer from drift. We propose a scheme that fuses map prior and vanishing points from images, which can establish an energy term that is only constrained on rotation, called the direction projection error. Then we embed these direction priors into a visual-LiDAR SLAM system that integrates camera and LiDAR measurements in a tightly-coupled way at backend. Specifically, our method generates visual reprojection error and point to Implicit Moving Least Square(IMLS) surface of scan constraints, and solves them jointly along with direction projection error at global optimization. Experiments on KITTI, KITTI-360 and Oxford Radar Robotcar show that we achieve lower localization error or Absolute Pose Error (APE) than prior map, which validates our method is effective.
• Abstract（参考訳）: 移動エージェントが環境内をローカライズする能力は、自律運転などの新興アプリケーションに対する基本的な需要である。 複数のセンサに基づく既存の方法の多くは、依然としてドリフトに苦しんでいる。 本稿では,方向投影誤差と呼ばれる回転のみに制約されたエネルギー項を確立可能な,画像からの地図と点を融合する手法を提案する。 次に、これらの方向を視覚-LiDAR SLAMシステムに組み込み、カメラとLiDARの測定をバックエンドで密結合した方法で統合する。 具体的には,スキャン制約の視覚的再投射誤差とImplicit moving Least Square (IMLS)面へのポインタを生成し,大域的最適化における方向投射誤差と共同で解決する。 KITTI,KITTI-360およびOxford Radar Robotcarを用いた実験により,本手法が有効であることを示す先行マップよりもローローカライゼーション誤差(Absolute Pose Error,APE)が低いことを示す。

関連論文リスト

• ROLO-SLAM: Rotation-Optimized LiDAR-Only SLAM in Uneven Terrain with Ground Vehicle [49.61982102900982]
  荒地における地上車両の姿勢推定精度を向上させるために,LiDARを用いたSLAM法を提案する。 累積誤差の低減を支援するために,グローバルスケールの因子グラフが確立されている。 その結果,ROLO-SLAMは地上車両の姿勢推定に優れ,既存のLiDAR SLAMフレームワークよりも優れていた。
  論文  参考訳（メタデータ） (2025-01-04T02:44:27Z)
• GLACE: Global Local Accelerated Coordinate Encoding [66.87005863868181]
  シーン座標回帰法は小規模なシーンでは有効であるが、大規模シーンでは重大な課題に直面している。 本研究では,事前学習したグローバルおよびローカルのエンコーディングを統合したGLACEを提案する。 提案手法は,低マップサイズモデルを用いて,大規模シーンにおける最先端結果を実現する。
  論文  参考訳（メタデータ） (2024-06-06T17:59:50Z)
• SLAIM: Robust Dense Neural SLAM for Online Tracking and Mapping [15.63276368052395]
  ニューラルラジアンスフィールドSLAM(NeRF-SLAM)に適した,新しい粗い粒度追跡モデルを提案する。 既存の NeRF-SLAM システムは、従来の SLAM アルゴリズムに比べて、追跡性能が劣っている。 局所バンドル調整とグローバルバンドル調整の両方を実装し、ロバストな(粗大な)(KL正規化器)と正確な(KL正規化器)SLAMソリューションを生成する。
  論文  参考訳（メタデータ） (2024-04-17T14:23:28Z)
• Vanishing Point Estimation in Uncalibrated Images with Prior Gravity Direction [82.72686460985297]
  我々はマンハッタンのフレームを推定する問題に取り組む。 2つの新しい2行解法が導出され、そのうちの1つは既存の解法に影響を与える特異点に悩まされない。 また、局所最適化の性能を高めるために、任意の行で実行される新しい最小でないメソッドを設計する。
  論文  参考訳（メタデータ） (2023-08-21T13:03:25Z)
• Tightly-Coupled LiDAR-Visual SLAM Based on Geometric Features for Mobile Agents [43.137917788594926]
  幾何学的特徴に基づく密結合LiDAR視覚SLAMを提案する。 視覚サブシステムによって検出された全ラインセグメントは、LiDARサブシステムの制限を克服する。 本システムは,現在最先端のマルチモーダル手法と比較して,より正確でロバストなポーズ推定を実現する。
  論文  参考訳（メタデータ） (2023-07-15T10:06:43Z)
• LiDAR-aid Inertial Poser: Large-scale Human Motion Capture by Sparse Inertial and LiDAR Sensors [38.60837840737258]
  本研究では,大規模なシナリオにおいて,高精度な局所的なポーズとグローバルな軌跡を持つ3次元人間の動きを捉えるためのマルチセンサ融合法を提案する。 我々は,2段階のポーズ推定器を粗大な方法で設計し,そこでは点雲が粗大な体形状を提供し,IMU測定は局所的な動作を最適化する。 我々は,LiDAR-IMUマルチモーダルモキャップデータセット(LIPD)を長期シナリオで収集する。
  論文  参考訳（メタデータ） (2022-05-30T20:15:11Z)
• Event-aided Direct Sparse Odometry [54.602311491827805]
  本稿では,イベントとフレームを用いた直接単眼視覚計測法であるEDSを紹介する。 我々のアルゴリズムは、イベント生成モデルを利用して、フレーム間のブラインドタイムにおけるカメラの動きを追跡する。 EDSは直接アプローチでイベントとフレームを使用して6-DOF VOを実行する最初の方法である。
  論文  参考訳（メタデータ） (2022-04-15T20:40:29Z)
• Progressive Coordinate Transforms for Monocular 3D Object Detection [52.00071336733109]
  本稿では,学習座標表現を容易にするために,PCT(Em Progressive Coordinate Transforms)と呼ばれる,新しい軽量なアプローチを提案する。 本稿では,学習座標表現を容易にするために,PCT(Em Progressive Coordinate Transforms)と呼ばれる,新しい軽量なアプローチを提案する。
  論文  参考訳（メタデータ） (2021-08-12T15:22:33Z)
• 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)
• Graph-based Proprioceptive Localization Using a Discrete Heading-Length Feature Sequence Matching Approach [14.356113113268389]
  Proprioceptive Localizationは、新しいタイプのロボットエゴセントリックなローカライゼーション手法を指す。 これらの方法は自然に悪天候、照明条件、その他の極端な環境条件に免疫がある。 環境条件の厳しい環境条件下で、ローカライゼーションのための低コストなフォールバックソリューションを提供する。
  論文  参考訳（メタデータ） (2020-05-27T23:10:15Z)

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。