論文の概要: Circular Accessible Depth: A Robust Traversability Representation for
UGV Navigation
- arxiv url: http://arxiv.org/abs/2212.13676v1
- Date: Wed, 28 Dec 2022 03:13:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-29 16:03:35.301316
- Title: Circular Accessible Depth: A Robust Traversability Representation for
UGV Navigation
- Title(参考訳): 円形アクセシブル深さ:UGVナビゲーションのためのロバストなトラバーサビリティ表現
- Authors: Shikuan Xie, Ran Song, Yuenan Zhao, Xueqin Huang, Yibin Li and Wei
Zhang
- Abstract要約: Circular Accessible Depth (CAD)は無人地上車両(UGV)の頑健な走行性表現である
我々は,LiDARが捉えた点雲から空間的特徴を符号化する,注目に基づく多フレーム点雲融合モジュールを備えたニューラルネットワークCADNetを提案する。
- 参考スコア(独自算出の注目度): 21.559882149457895
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we present the Circular Accessible Depth (CAD), a robust
traversability representation for an unmanned ground vehicle (UGV) to learn
traversability in various scenarios containing irregular obstacles. To predict
CAD, we propose a neural network, namely CADNet, with an attention-based
multi-frame point cloud fusion module, Stability-Attention Module (SAM), to
encode the spatial features from point clouds captured by LiDAR. CAD is
designed based on the polar coordinate system and focuses on predicting the
border of traversable area. Since it encodes the spatial information of the
surrounding environment, which enables a semi-supervised learning for the
CADNet, and thus desirably avoids annotating a large amount of data. Extensive
experiments demonstrate that CAD outperforms baselines in terms of robustness
and precision. We also implement our method on a real UGV and show that it
performs well in real-world scenarios.
- Abstract(参考訳): 本稿では,無人地上機(ugv)のためのロバストトラバーサビリティ表現であるcircle accessible depth(cad)を用いて,不規則な障害物を含む様々なシナリオにおけるトラバーサビリティを学習する。
CADを予測するために,LiDARが捕捉した点雲から空間的特徴を符号化するために,注意に基づく多フレーム点雲融合モジュールであるSAM(Stable-Attention Module)を用いたCADNetを提案する。
CADは極座標系に基づいて設計され, 走行可能な領域の境界の予測に重点を置いている。
周辺環境の空間情報をエンコードするので、キャデネットの半教師付き学習が可能であり、大量のデータへの注釈を好ましく避けることができる。
大規模実験によりCADは頑丈さと精度でベースラインを上回っていることが示された。
また,本手法を実際のUGVに実装し,実世界のシナリオでよく動作することを示す。
関連論文リスト
- Self-supervised Point Cloud Completion on Real Traffic Scenes via
Scene-concerned Bottom-up Mechanism [14.255659581428333]
ポイントクラウド補完は、オブジェクトの不完全な3Dスキャンのための完全な形状を参照することを目的としている。
現在のディープラーニングベースのアプローチは、トレーニングプロセスにおける大規模な完全な形状に依存しています。
本研究では,交通現場の車両に対して,完全なデータを持たない自己監視点クラウド補完手法(TraPCC)を提案する。
論文 参考訳(メタデータ) (2022-03-20T14:42:37Z) - PillarGrid: Deep Learning-based Cooperative Perception for 3D Object
Detection from Onboard-Roadside LiDAR [15.195933965761645]
我々は,複数の3次元LiDARからの情報を融合した新しい協調認識手法であるtextitPillarGridを提案する。
PillarGrid は,1) 点雲の協調前処理,2) 軸方向のボキセル化と特徴抽出,3) 複数のセンサからの特徴のグリッド方向の深層融合,4) 畳み込みニューラルネットワーク(CNN) に基づく3Dオブジェクト検出である。
広汎な実験により、PillarGridはSOTA単一LiDARに基づく3Dオブジェクト検出法よりも精度と範囲を大きなマージンで上回ることがわかった。
論文 参考訳(メタデータ) (2022-03-12T02:28:41Z) - Towards Scale Consistent Monocular Visual Odometry by Learning from the
Virtual World [83.36195426897768]
仮想データから絶対スケールを取得するための新しいフレームワークであるVRVOを提案する。
まず、モノクロ実画像とステレオ仮想データの両方を用いて、スケール対応の異種ネットワークをトレーニングする。
結果として生じるスケール一貫性の相違は、直接VOシステムと統合される。
論文 参考訳(メタデータ) (2022-03-11T01:51:54Z) - Space Non-cooperative Object Active Tracking with Deep Reinforcement
Learning [1.212848031108815]
DRLAVTと命名されたDQNアルゴリズムに基づくエンドツーエンドのアクティブなトラッキング手法を提案する。
追尾宇宙船のアプローチを、色やRGBD画像にのみ依存した任意の空間の非協力目標に導くことができる。
位置ベースのビジュアルサーボベースラインアルゴリズムでは、最先端の2DモノクロトラッカーであるSiamRPNをはるかに上回っている。
論文 参考訳(メタデータ) (2021-12-18T06:12:24Z) - 3D Siamese Voxel-to-BEV Tracker for Sparse Point Clouds [19.97270407211052]
ポイントクラウドにおける3Dオブジェクトのトラッキングは、動的環境におけるLiDARポイントの分散のため、依然として難しい問題である。
疎3次元点群における追尾性能を著しく向上できるシアメス・ボクセル・ツー・BEVトラッカーを提案する。
論文 参考訳(メタデータ) (2021-11-08T12:47:11Z) - Polyline Based Generative Navigable Space Segmentation for Autonomous
Visual Navigation [57.3062528453841]
ロボットが教師なしの方法で移動可能な空間分割を学習できるようにするための表現学習ベースのフレームワークを提案する。
提案するPSV-Netは,単一のラベルを使わずとも,高精度で視覚ナビゲーション可能な空間を学習可能であることを示す。
論文 参考訳(メタデータ) (2021-10-29T19:50:48Z) - Voxel-based Network for Shape Completion by Leveraging Edge Generation [76.23436070605348]
エッジ生成(VE-PCN)を利用した点雲補完のためのボクセルネットワークを開発した。
まず点雲を正規のボクセル格子に埋め込み、幻覚した形状のエッジの助けを借りて完全な物体を生成する。
この分離されたアーキテクチャとマルチスケールのグリッド機能学習は、より現実的な表面上の詳細を生成することができる。
論文 参考訳(メタデータ) (2021-08-23T05:10:29Z) - PC-DAN: Point Cloud based Deep Affinity Network for 3D Multi-Object
Tracking (Accepted as an extended abstract in JRDB-ACT Workshop at CVPR21) [68.12101204123422]
点雲は3次元座標における空間データの密集したコンパイルである。
我々は3次元多目的追跡(MOT)のためのPointNetベースのアプローチを提案する。
論文 参考訳(メタデータ) (2021-06-03T05:36:39Z) - A Point-Cloud Deep Learning Framework for Prediction of Fluid Flow
Fields on Irregular Geometries [62.28265459308354]
ネットワークは空間位置とCFD量のエンドツーエンドマッピングを学習する。
断面形状の異なるシリンダーを過ぎる非圧縮層状定常流を考察する。
ネットワークは従来のCFDの数百倍の速さで流れ場を予測する。
論文 参考訳(メタデータ) (2020-10-15T12:15:02Z) - 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。