論文の概要: Fiducial Tag Localization on a 3D LiDAR Prior Map
- arxiv url: http://arxiv.org/abs/2209.01072v3
- Date: Wed, 5 Jun 2024 17:12:32 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-07 04:58:43.589149
- Title: Fiducial Tag Localization on a 3D LiDAR Prior Map
- Title(参考訳): 3次元LiDAR事前写像における図形タグの局所化
- Authors: Yibo Liu, Jinjun Shan, Hunter Schofield,
- Abstract要約: 既存のLiDARフィデューシャルタグローカライズ法は3次元LiDARマップには適用されない。
我々は, 3次元LiDAR事前マップ上で, 画像タグを直接ローカライズする新しい手法を開発した。
我々は,3次元LiDARマップ上のタグのローカライズに適用可能な手法として,定性的かつ定量的な実験を行った。
- 参考スコア(独自算出の注目度): 0.6554326244334868
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The LiDAR fiducial tag, 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, the existing LiDAR fiducial tag localization methods do not apply to 3D LiDAR maps while resolving this problem is beneficial to LiDAR-based relocalization and navigation. In this paper, we develop a novel approach to directly localize fiducial tags on a 3D LiDAR prior map, returning the tag poses (labeled by ID number) and vertex locations (labeled by index) w.r.t. the global coordinate system of the map. In particular, considering that fiducial tags are thin sheet objects indistinguishable from the attached planes, we design a new pipeline that gradually analyzes the 3D point cloud of the map from the intensity and geometry perspectives, extracting potential tag-containing point clusters. Then, we introduce an intermediate-plane-based method to further check if each potential cluster has a tag and compute the vertex locations and tag pose if found. We conduct both qualitative and quantitative experiments to demonstrate that our approach is the first method applicable to localize tags on a 3D LiDAR map while achieving better accuracy compared to previous methods. The open-source implementation of this work is available at: https://github.com/York-SDCNLab/Marker-Detection-General.
- Abstract(参考訳): LiDARのフィデューシャルタグは、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、既存のLiDARフィデューシャルタグのローカライズ手法は、3次元LiDARマップには適用されないが、この問題を解決することは、LiDARベースの再ローカライズとナビゲーションにとって有益である。
本稿では,3次元LiDAR事前地図上で,画像タグを直接ローカライズする手法を開発し,タグポーズ(ID番号ラベル付き)と頂点位置(インデックスラベル付き)を地図のグローバル座標系に戻す。
特に、フィデューシャルタグが付着面と区別できない薄いシートオブジェクトであることを考えると、地図の3次元点雲を強度と幾何学的観点から徐々に解析し、潜在的なタグを含む点クラスターを抽出するパイプラインを設計する。
そこで,本研究では,各電位クラスタにタグがあるかどうかを確認し,頂点位置とタグポーズを求める中間平面法を提案する。
我々は,3次元LiDARマップ上でタグをローカライズする手法として,従来の手法と比較して精度が向上し,定性的かつ定量的な実験を行った。
この作業のオープンソース実装は、https://github.com/York-SDCNLab/Marker-Detection-Generalで公開されている。
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。