論文の概要: Occlusion-Resistant LiDAR Fiducial Marker Detection

• arxiv url: http://arxiv.org/abs/2209.01072v2
• Date: Tue, 1 Aug 2023 22:44:35 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-03 18:22:48.883682
• Title: Occlusion-Resistant LiDAR Fiducial Marker Detection
• Title（参考訳）: 咬合抵抗性ライダーfiducial marker検出法
• Authors: Yibo Liu, Jinjun Shan, Hunter Schofield
• Abstract要約: LiDARフィデューシャルマーカーは、LiDARセンサーに人工的な特徴を与えるのに便利なリソースである。 現在のLiDARフィデューシャルマーカー検出法は、オクルージョンフリーの点雲に限られている。 咬合抵抗性LiDAR線維マーカー検出のための新しいアプローチを提案する。
• 参考スコア（独自算出の注目度）: 1.2891210250935146
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The LiDAR fiducial marker, akin to the well-known AprilTag used in camera applications, serves as a convenient resource to impart artificial features to the LiDAR sensor, facilitating robotics applications. Unfortunately, current LiDAR fiducial marker detection methods are limited to occlusion-free point clouds. In this work, we present a novel approach for occlusion-resistant LiDAR fiducial marker detection. We first extract 3D points potentially corresponding to the markers, leveraging the 3D intensity gradients. Afterward, we analyze the 3D spatial distribution of the extracted points through clustering. Subsequently, we determine the potential marker locations by examining the geometric characteristics of these clusters. We then successively transfer the 3D points that fall within the candidate locations from the raw point cloud onto a designed intermediate plane. Finally, using the intermediate plane, we validate each location for the presence of a fiducial marker and compute the marker's pose if found. We conduct both qualitative and quantitative experiments to demonstrate that our approach is the first LiDAR fiducial marker detection method applicable to point clouds with occlusion while achieving better accuracy.
• Abstract（参考訳）: LiDARのフィデューシャルマーカーは、カメラアプリケーションでよく使われる AprilTagに似ているが、LiDARセンサーに人工的な機能を付与する便利なリソースとして機能し、ロボット工学の応用を容易にする。 残念ながら、現在のLiDARフィデューシャルマーカー検出方法は、閉塞のない点雲に限られている。 そこで本研究では, 咬合抵抗性lidarfiducial marker検出のための新しいアプローチを提案する。 まずマーカーに対応する3D点を抽出し、3D強度勾配を利用する。 その後,抽出した点の3次元空間分布をクラスタリングにより解析する。 その後、これらのクラスターの幾何学的特徴を調べることにより、潜在的なマーカーの位置を決定する。 次に、候補位置にある3D点を原点雲から設計した中間平面に連続的に転送する。 最後に、中間面を用いて、図示マーカーの存在の各々の位置を検証し、見つかった場合のマーカーのポーズを計算する。 本手法は, 咬合を伴う点雲に適用できる最初のlidar核マーカー検出法であることを示すために, 定性的かつ定量的な実験を行った。

関連論文リスト

• 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)
• RaLF: Flow-based Global and Metric Radar Localization in LiDAR Maps [8.625083692154414]
  我々は、環境のLiDARマップにレーダースキャンをローカライズするための、新しいディープニューラルネットワークベースのアプローチであるRaLFを提案する。 RaLFは、レーダーとLiDAR機能エンコーダ、グローバルなディスクリプタを生成する場所認識ヘッド、レーダースキャンとマップ間の3DF変換を予測するメートル法ローカライゼーションヘッドで構成されている。 複数の実世界の運転データセットに対する我々のアプローチを広く評価し、RaLFが位置認識とメートル法ローカライゼーションの両方において最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2023-09-18T15:37:01Z)
• V-DETR: DETR with Vertex Relative Position Encoding for 3D Object Detection [73.37781484123536]
  DETRフレームワークを用いた点雲のための高性能な3次元物体検出器を提案する。 限界に対処するため,新しい3次元相対位置(3DV-RPE)法を提案する。 挑戦的なScanNetV2ベンチマークで例外的な結果を示す。
  論文  参考訳（メタデータ） (2023-08-08T17:14:14Z)
• Weakly Supervised Monocular 3D Object Detection using Multi-View Projection and Direction Consistency [78.76508318592552]
  モノクロ3Dオブジェクト検出は、その容易なアプリケーションのための自動駆動において、主流のアプローチとなっている。 現在のほとんどの方法は、トレーニングフェーズで使用される真実をラベル付けするために、まだ3Dポイントのクラウドデータに依存しています。 画像にマークされた2次元ラベルだけでモデルを訓練できる,弱教師付きモノクル3次元オブジェクト検出法を提案する。
  論文  参考訳（メタデータ） (2023-03-15T15:14:00Z)
• GraffMatch: Global Matching of 3D Lines and Planes for Wide Baseline LiDAR Registration [41.00550745153015]
  線や平面のような幾何学的ランドマークを使用することで、ナビゲーションの精度を高め、マップストレージの要求を低減できる。 しかし、ループクロージャ検出のようなアプリケーションに対するランドマークベースの登録は、信頼できる初期推定ができないため、難しい。 3次元直線と平面を表すアフィングラスマン多様体を採用し、2つのランドマーク間の距離が回転と変換に不変であることを証明する。
  論文  参考訳（メタデータ） (2022-12-24T15:02:15Z)
• Label-Guided Auxiliary Training Improves 3D Object Detector [32.96310946612949]
  3次元物体検出(LG3D)のためのラベル誘導補助訓練法を提案する。 提案したLG3Dは,SUN RGB-DおよびScanNetV2データセット上でVoteNetを2.5%,3.1%改善する。
  論文  参考訳（メタデータ） (2022-07-24T14:22:21Z)
• GLENet: Boosting 3D Object Detectors with Generative Label Uncertainty Estimation [70.75100533512021]
  本稿では,対象物の潜在的可算有界箱の多様性として,ラベルの不確実性問題を定式化する。 本稿では,条件付き変分オートエンコーダを応用した生成フレームワークであるGLENetを提案する。 GLENetが生成するラベルの不確実性はプラグアンドプレイモジュールであり、既存のディープ3D検出器に便利に統合することができる。
  論文  参考訳（メタデータ） (2022-07-06T06:26:17Z)
• 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)
• Unsupervised Object Detection with LiDAR Clues [70.73881791310495]
  本稿では,LiDARの手がかりを用いた非教師対象検出のための最初の実用的手法を提案する。 提案手法では,まず3次元点雲に基づく候補オブジェクトセグメントを生成する。 そして、セグメントラベルを割り当て、セグメントラベルネットワークを訓練する反復的なセグメントラベル処理を行う。 ラベル付けプロセスは、長い尾とオープンエンドの分布の問題を軽減するために慎重に設計されている。
  論文  参考訳（メタデータ） (2020-11-25T18:59:54Z)
• Complete & Label: A Domain Adaptation Approach to Semantic Segmentation of LiDAR Point Clouds [49.47017280475232]
  3次元点雲のセマンティックラベリングにおける教師なし領域適応問題について検討する。 セグメンテーションネットワークに渡す前に、基盤となる表面を復元するためにComplete と Label のアプローチを採用する。 回収された3D表面は標準領域として機能し、そこからセマンティックラベルが異なるLiDARセンサー間で転送される。
  論文  参考訳（メタデータ） (2020-07-16T17:42:05Z)

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。