論文の概要: Det-SLAM: A semantic visual SLAM for highly dynamic scenes using Detectron2

• arxiv url: http://arxiv.org/abs/2210.00278v1
• Date: Sat, 1 Oct 2022 13:25:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-04 16:54:54.224718
• Title: Det-SLAM: A semantic visual SLAM for highly dynamic scenes using Detectron2
• Title（参考訳）: Det-SLAM: Detectron2を用いた高ダイナミックシーンのセマンティックビジュアルSLAM
• Authors: Ali Eslamian, Mohammad R. Ahmadzadeh
• Abstract要約: 本研究では,視覚的SLAMシステムであるORB-SLAM3とディテクトロン2を組み合わせて,Det-SLAMシステムを提案する。 Det-SLAMは従来の動的SLAMシステムよりも弾力性が高く、動的屋内シナリオにおけるカメラ姿勢推定誤差を低減できる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: According to experts, Simultaneous Localization and Mapping (SLAM) is an intrinsic part of autonomous robotic systems. Several SLAM systems with impressive performance have been invented and used during the last several decades. However, there are still unresolved issues, such as how to deal with moving objects in dynamic situations. Classic SLAM systems depend on the assumption of a static environment, which becomes unworkable in highly dynamic situations. Several methods have been presented to tackle this issue in recent years, but each has its limitations. This research combines the visual SLAM systems ORB-SLAM3 and Detectron2 to present the Det-SLAM system, which employs depth information and semantic segmentation to identify and eradicate dynamic spots to accomplish semantic SLAM for dynamic situations. Evaluation of public TUM datasets indicates that Det-SLAM is more resilient than previous dynamic SLAM systems and can lower the estimated error of camera posture in dynamic indoor scenarios.
• Abstract（参考訳）: 専門家によると、同時局在マッピング(SLAM)は自律ロボットシステムの本質的な部分である。 素晴らしい性能を持つSLAMシステムは、ここ数十年の間に発明され、使用されてきた。 しかし、動的な状況で動くオブジェクトをどう扱うかなど、まだ解決されていない問題が残っている。 古典的なSLAMシステムは静的環境の仮定に依存し、非常にダイナミックな状況では動作不能になる。 近年、この問題に取り組むためのいくつかの方法が提示されているが、それぞれに制限がある。 本研究は,視覚的SLAMシステムであるORB-SLAM3とDectron2を組み合わせて,深度情報とセマンティックセグメンテーションを用いて動的状況のセマンティックSLAMを識別・消去するDet-SLAMシステムを提案する。 公共TUMデータセットの評価は、Det-SLAMが従来の動的SLAMシステムよりも弾力性が高く、動的屋内シナリオにおけるカメラ姿勢推定誤差を低減できることを示している。

関連論文リスト

• DDN-SLAM: Real-time Dense Dynamic Neural Implicit SLAM [5.267859554944985]
  DDN-SLAMは,意味的特徴を統合した最初のリアルタイム高密度ニューラルネットワーク暗黙的SLAMシステムである。 既存の暗黙的SLAMシステムと比較して、動的データセットの追跡結果は平均軌道誤差(ATE)の精度が平均90%向上していることを示している。
  論文  参考訳（メタデータ） (2024-01-03T05:42:17Z)
• DNS SLAM: Dense Neural Semantic-Informed SLAM [92.39687553022605]
  DNS SLAMは、ハイブリッド表現を備えた新しいRGB-DセマンティックSLAMアプローチである。 本手法は画像に基づく特徴抽出と多視点幾何制約を統合し,外観の細部を改良する。 実験により, 合成データと実世界のデータ追跡の両面において, 最先端の性能が得られた。
  論文  参考訳（メタデータ） (2023-11-30T21:34:44Z)
• Event-based Simultaneous Localization and Mapping: A Comprehensive Survey [67.89650389832147]
  ローカライゼーションとマッピングタスクのための非同期および不規則なイベントストリームの利点を利用する、イベントベースのvSLAMアルゴリズムのレビュー。 Paperは、イベントベースのvSLAMメソッドを、特徴ベース、ダイレクト、モーション補償、ディープラーニングの4つのカテゴリに分類する。
  論文  参考訳（メタデータ） (2023-04-19T16:21:14Z)
• Using Detection, Tracking and Prediction in Visual SLAM to Achieve Real-time Semantic Mapping of Dynamic Scenarios [70.70421502784598]
  RDS-SLAMは、一般的に使用されているIntel Core i7 CPUのみを使用して、動的シナリオのためのオブジェクトレベルでのセマンティックマップをリアルタイムで構築することができる。 我々は, TUM RGB-DデータセットにおけるRDS-SLAMを評価し, 動的シナリオにおいて, RDS-SLAMはフレームあたり30.3msで動作可能であることを示した。
  論文  参考訳（メタデータ） (2022-10-10T11:03:32Z)
• MOTSLAM: MOT-assisted monocular dynamic SLAM using single-view depth estimation [5.33931801679129]
  MOTSLAMは動的ビジュアルSLAMシステムであり、動的オブジェクトのポーズとバウンディングボックスの両方を追跡する単分子構成を持つ。 KITTIデータセットを用いた実験により,カメラのエゴモーションとモノラルな動的SLAMでの物体追跡の両方において,我々のシステムが最高の性能を示した。
  論文  参考訳（メタデータ） (2022-10-05T06:07:10Z)
• TwistSLAM++: Fusing multiple modalities for accurate dynamic semantic SLAM [0.0]
  TwistSLAM++は、ステレオ画像とLiDAR情報を融合するセマンティックでダイナミックなSLAMシステムである。 従来のベンチマークでは,マルチモーダル情報に基づく融合手法によりオブジェクト追跡の精度が向上していることが示されている。
  論文  参考訳（メタデータ） (2022-09-16T12:28:21Z)
• NICE-SLAM: Neural Implicit Scalable Encoding for SLAM [112.6093688226293]
  NICE-SLAMは階層的なシーン表現を導入することでマルチレベルローカル情報を組み込んだ高密度SLAMシステムである。 最近の暗黙的SLAMシステムと比較して、私たちのアプローチはよりスケーラブルで効率的で堅牢です。
  論文  参考訳（メタデータ） (2021-12-22T18:45:44Z)
• Which priors matter? Benchmarking models for learning latent dynamics [70.88999063639146]
  古典力学の先行概念を機械学習モデルに統合する手法が提案されている。 これらのモデルの現在の機能について、精査する。 連続的および時間的可逆的ダイナミクスの使用は、すべてのクラスのモデルに恩恵をもたらす。
  論文  参考訳（メタデータ） (2021-11-09T23:48:21Z)
• Learning to Segment Dynamic Objects using SLAM Outliers [5.4310785842119795]
  本稿では,SLAMアウトレイラを用いて動的オブジェクトのセグメントを自動的に学習する手法を提案する。 トレーニングには動的オブジェクトごとに1つのモノクラーシーケンスしか必要とせず、SLAMアウトリーチを使用して動的オブジェクトをローカライズし、マスクを作成し、これらのマスクを使用してセマンティックセグメンテーションネットワークをトレーニングする。
  論文  参考訳（メタデータ） (2020-11-12T08:36:54Z)
• DOT: Dynamic Object Tracking for Visual SLAM [83.69544718120167]
  DOTはインスタンスセグメンテーションとマルチビュー幾何を組み合わせて、動的オブジェクトのマスクを生成する。 実際にどのオブジェクトが動いているかを判断するために、DOTは、潜在的にダイナミックなオブジェクトの最初のインスタンスを抽出し、次に推定されたカメラモーションで、測光再投射誤差を最小限にして、そのようなオブジェクトを追跡する。 提案手法はORB-SLAM 2の精度とロバスト性を大幅に向上することを示す。
  論文  参考訳（メタデータ） (2020-09-30T18:36:28Z)
• DynamicSLAM: Leveraging Human Anchors for Ubiquitous Low-Overhead Indoor Localization [5.198840934055703]
  DynamicSLAM は室内でのローカライゼーション技術であり、キャリブレーションの手間を省く。 我々は,携帯電話の慣性センサーを用いてユーザの進路を追跡する。 DynamicSLAMは、環境内の他のユーザとの遭遇に基づいて、モバイルヒューマンアンカーという新しい概念を導入している。
  論文  参考訳（メタデータ） (2020-03-30T19:49:31Z)

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。