論文の概要: IR-MCL: Implicit Representation-Based Online Global Localization

• arxiv url: http://arxiv.org/abs/2210.03113v1
• Date: Thu, 6 Oct 2022 17:59:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-07 15:49:51.127131
• Title: IR-MCL: Implicit Representation-Based Online Global Localization
• Title（参考訳）: IR-MCL:暗黙の表現に基づくオンライングローバルローカライゼーション
• Authors: Haofei Kuang, Xieyuanli Chen, Tiziano Guadagnino, Nicky Zimmerman, Jens Behley and Cyrill Stachniss
• Abstract要約: 本稿では,室内環境におけるロボットの姿勢を2次元LiDARデータを用いて推定する問題に対処する。 ニューラルネットワークを用いてシーンを暗黙的に表現するためのニューラルネットワーク占有場(NOF)を提案する。 本研究では,最先端手法のローカライズ性能を超越したアプローチを用いて,ロボットを高精度かつ効率的にローカライズできることを示す。
• 参考スコア（独自算出の注目度）: 31.77645160411745
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Determining the state of a mobile robot is an essential building block of robot navigation systems. In this paper, we address the problem of estimating the robots pose in an indoor environment using 2D LiDAR data and investigate how modern environment models can improve gold standard Monte-Carlo localization (MCL) systems. We propose a neural occupancy field (NOF) to implicitly represent the scene using a neural network. With the pretrained network, we can synthesize 2D LiDAR scans for an arbitrary robot pose through volume rendering. Based on the implicit representation, we can obtain the similarity between a synthesized and actual scan as an observation model and integrate it into an MCL system to perform accurate localization. We evaluate our approach on five sequences of a self-recorded dataset and three publicly available datasets. We show that we can accurately and efficiently localize a robot using our approach surpassing the localization performance of state-of-the-art methods. The experiments suggest that the presented implicit representation is able to predict more accurate 2D LiDAR scans leading to an improved observation model for our particle filter-based localization. The code of our approach is released at: https://github.com/PRBonn/ir-mcl.
• Abstract（参考訳）: 移動ロボットの状態を決定することは,ロボットナビゲーションシステムの基本構成要素である。 本稿では,2次元LiDARデータを用いて室内環境におけるロボットの姿勢を推定する問題に対処し,現代環境モデルが金標準モンテカルロローカライゼーション(MCL)システムをどのように改善するかを検討する。 ニューラルネットワークを用いてシーンを暗黙的に表現するためのニューラルネットワーク占有場(NOF)を提案する。 トレーニング済みのネットワークでは、ボリュームレンダリングによって任意のロボットポーズのための2D LiDARスキャンを合成できる。 暗黙的な表現に基づいて,合成されたスキャンと実際のスキャンの類似性を観測モデルとして求め,mclシステムに統合することで正確な位置推定を行うことができる。 自己記録データセットと3つの公開データセットの5つのシーケンスに対するアプローチを評価した。 本研究では,最先端手法のローカライズ性能を上回って,ロボットを高精度かつ効率的にローカライズできることを示す。 実験結果から,提案した暗黙表現はより正確な2次元LiDARスキャンを予測できる可能性が示唆された。 私たちのアプローチのコードは、https://github.com/prbonn/ir-mclでリリースされています。

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)
• 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)
• Real-to-Sim: Predicting Residual Errors of Robotic Systems with Sparse Data using a Learning-based Unscented Kalman Filter [65.93205328894608]
  我々は,動的・シミュレータモデルと実ロボット間の残差を学習する。 学習した残差誤差により、動的モデル、シミュレーション、および実際のハードウェア間の現実的ギャップをさらに埋めることができることを示す。
  論文  参考訳（メタデータ） (2022-09-07T15:15:12Z)
• Neural Scene Representation for Locomotion on Structured Terrain [56.48607865960868]
  本研究では,都市環境を横断する移動ロボットの局所的な地形を再構築する学習手法を提案する。 搭載されたカメラとロボットの軌道からの深度測定のストリームを用いて、ロボットの近傍の地形を推定する。 ノイズ測定とカメラ配置の盲点からの大量の欠落データにもかかわらず,シーンを忠実に再構築する3次元再構成モデルを提案する。
  論文  参考訳（メタデータ） (2022-06-16T10:45:17Z)
• Kimera-Multi: Robust, Distributed, Dense Metric-Semantic SLAM for Multi-Robot Systems [92.26462290867963]
  Kimera-Multiは、最初のマルチロボットシステムであり、不正なインターループとイントラロボットループの閉鎖を識別し拒否することができる。 我々は、フォトリアリスティックシミュレーション、SLAMベンチマークデータセット、地上ロボットを用いて収集された屋外データセットの挑戦において、Kimera-Multiを実証した。
  論文  参考訳（メタデータ） (2021-06-28T03:56:40Z)
• Kimera-Multi: a System for Distributed Multi-Robot Metric-Semantic Simultaneous Localization and Mapping [57.173793973480656]
  本稿では,高密度メカニカル・セマンティックSLAMのための完全分散マルチロボットシステムを提案する。 私たちのシステムはKimera-Multiと呼ばれ、視覚慣性センサーを備えたロボットチームによって実装されています。 Kimera-Multiは環境の3Dメッシュモデルをリアルタイムで構築し、メッシュの各面にセマンティックラベルをアノテートする。
  論文  参考訳（メタデータ） (2020-11-08T21:38:12Z)
• Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for Online Collision Avoidance [95.86944752753564]
  本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。 我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。 本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
  論文  参考訳（メタデータ） (2020-07-28T07:34:30Z)

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。