Fugu-MT 論文翻訳(概要): Region Prediction for Efficient Robot Localization on Large Maps

論文の概要: Region Prediction for Efficient Robot Localization on Large Maps

arxiv url: http://arxiv.org/abs/2303.00295v1
Date: Wed, 1 Mar 2023 07:42:48 GMT
ステータス: 処理完了
システム内更新日: 2023-03-02 15:43:57.159950
Title: Region Prediction for Efficient Robot Localization on Large Maps
Title（参考訳）: 大規模地図上での効率的なロボット位置推定
Authors: Matteo Scucchia and Davide Maltoni
Abstract要約: そこで本研究では,位置認識のためのマップノードのサブセットを事前選択する手法を提案する。領域ラベルはディープニューラルネットワークの予測対象となり、ナビゲーション中は、高い確率で予測される領域に関連するノードのみをマッチングとして考慮する。
参考スコア（独自算出の注目度）: 5.75614168271028
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Recognizing already explored places (a.k.a. place recognition) is a fundamental task in Simultaneous Localization and Mapping (SLAM) to enable robot relocalization and loop closure detection. In topological SLAM the recognition takes place by comparing a signature (or feature vector) associated to the current node with the signatures of the nodes in the known map. However, as the number of nodes increases, matching the current node signature against all the existing ones becomes inefficient and thwarts real-time navigation. In this paper we propose a novel approach to pre-select a subset of map nodes for place recognition. The map nodes are clustered during exploration and each cluster is associated with a region. The region labels become the prediction targets of a deep neural network and, during navigation, only the nodes associated with the regions predicted with high probability are considered for matching. While the proposed technique can be integrated in different SLAM approaches, in this work we describe an effective integration with RTAB-Map (a popular framework for real-time topological SLAM) which allowed us to design and run several experiments to demonstrate its effectiveness. All the code and material from the experiments will be available online at https://github.com/MI-BioLab/region-learner.
Abstract（参考訳）: 既に探索された場所(場所認識)を認識することは、ロボットの再局在とループ閉鎖検出を可能にするために、同時局在マッピング(SLAM)の基本課題である。トポロジカルSLAMでは、認識は現在のノードに関連するシグネチャ(または特徴ベクトル)と既知のマップ内のノードのシグネチャを比較することによって行われる。しかし、ノード数が増加するにつれて、現在のノードシグネチャと既存のノードシグネチャのマッチングは非効率になり、リアルタイムナビゲーションを妨害する。本稿では,位置認識のためのマップノードのサブセットを事前選択する手法を提案する。マップノードは探索中にクラスタ化され、各クラスタはリージョンに関連付けられる。領域ラベルはディープニューラルネットワークの予測対象となり、ナビゲーション中に高い確率で予測された領域に関連付けられたノードのみをマッチングとして考慮する。提案手法は様々なSLAM手法に統合できるが,本研究ではRTAB-Map(リアルタイム・トポロジカル・SLAMの一般的なフレームワーク)との効果的な統合について述べる。実験のすべてのコードと資料はhttps://github.com/MI-BioLab/rea-learner.comからオンラインで入手できる。

関連論文リスト

FRAME: A Modular Framework for Autonomous Map Merging: Advancements in the Field [12.247977717070773]
本稿では,エゴセントリックなマルチロボット探査における3次元点雲マップの融合について述べる。提案手法は、最先端の場所認識と学習記述子を利用して、地図間の重複を効率的に検出する。提案手法の有効性は,ロボット探査の複数のフィールドミッションを通じて実証された。
論文参考訳（メタデータ） (2024-04-27T20:54:15Z)
PRISM-TopoMap: Online Topological Mapping with Place Recognition and Scan Matching [42.74395278382559]
本稿では,局所的な位置のグラフを保持するトポロジカルマッピング手法であるPRISM-TopoMapを紹介する。提案手法は,ローカライゼーションとループ閉鎖のためのスキャンマッチングパイプラインと組み合わせた学習可能なマルチモーダル位置認識を含む。提案手法の広範な実験的評価を,写真実写環境および実ロボット上で行った。
論文参考訳（メタデータ） (2024-04-02T06:25:16Z)
Mapping High-level Semantic Regions in Indoor Environments without Object Recognition [50.624970503498226]
本研究では,屋内環境における埋め込みナビゲーションによる意味領域マッピング手法を提案する。地域識別を実現するために,視覚言語モデルを用いて地図作成のためのシーン情報を提供する。グローバルなフレームにエゴセントリックなシーン理解を投影することにより、提案手法は各場所の可能な領域ラベル上の分布としてのセマンティックマップを生成する。
論文参考訳（メタデータ） (2024-03-11T18:09:50Z)
Deep Homography Estimation for Visual Place Recognition [49.235432979736395]
本稿では,変換器を用いたディープホモグラフィー推定(DHE)ネットワークを提案する。バックボーンネットワークによって抽出された濃密な特徴写像を入力とし、高速で学習可能な幾何的検証のためにホモグラフィーに適合する。ベンチマークデータセットを用いた実験により,本手法はいくつかの最先端手法より優れていることが示された。
論文参考訳（メタデータ） (2024-02-25T13:22:17Z)
GeoLLM: Extracting Geospatial Knowledge from Large Language Models [49.20315582673223]
大規模言語モデルから地理空間的知識を効果的に抽出する新しい手法であるGeoLLMを提案する。我々は、人口密度や経済生活の計測など、国際社会への関心の中心となる複数の課題にまたがるアプローチの有用性を実証する。実験の結果, LLMは試料効率が高く, 地理空間情報に富み, 世界中のロバストであることがわかった。
論文参考訳（メタデータ） (2023-10-10T00:03:23Z)
Geo-Encoder: A Chunk-Argument Bi-Encoder Framework for Chinese Geographic Re-Ranking [61.60169764507917]
中国の地理的再ランクタスクは、検索された候補者の中で最も関連性の高い住所を見つけることを目的としている。そこで我々は,中国語の地理的意味論をより効果的に統合する,革新的なフレームワークであるGeo-Encoderを提案する。
論文参考訳（メタデータ） (2023-09-04T13:44:50Z)
LSGNN: Towards General Graph Neural Network in Node Classification by Local Similarity [59.41119013018377]
本稿では,ローカル類似性(LocalSim)を用いて,プラグイン・アンド・プレイモジュールとしても機能するノードレベルの重み付き融合を学習する。そこで本研究では,より情報性の高いマルチホップ情報を抽出するための,新規かつ効率的な初期残留差分接続(IRDC)を提案する。提案手法,すなわちローカル類似グラフニューラルネットワーク(LSGNN)は,ホモ親和性グラフとヘテロ親和性グラフの両方において,同等あるいは優れた最先端性能を提供できる。
論文参考訳（メタデータ） (2023-05-07T09:06:11Z)
Neural Map Prior for Autonomous Driving [17.198729798817094]
高精細(HD)セマンティックマップは、自動運転車が都市環境をナビゲートするために不可欠である。オフラインのHDマップを作成する従来の方法には、労働集約的な手動アノテーションプロセスが含まれる。近年,オンラインセンサを用いた局所地図作成手法が提案されている。本研究では,グローバルマップのニューラル表現であるニューラルマッププライオリティ(NMP)を提案する。
論文参考訳（メタデータ） (2023-04-17T17:58:40Z)
Map completion from partial observation using the global structure of multiple environmental maps [4.627706451989238]
本稿では,深層ニューラルネットワークを応用した確率的生成モデルに基づく新しいSLAM法であるマップ補完ネットワークを用いたSLAM(MCN-SLAM)を提案する。提案手法は,従来のSLAM法よりも,部分観測の状況下で1.3倍の精度で環境マップを推定できることを実験で示した。
論文参考訳（メタデータ） (2021-03-16T13:48:37Z)
Rethinking Localization Map: Towards Accurate Object Perception with Self-Enhancement Maps [78.2581910688094]
本研究は, カテゴリーラベルのみを監督として, 正確な対象位置分布マップと対象境界を抽出する, 新たな自己強調手法を提案する。特に、提案されたセルフエンハンスメントマップは、ILSVRC上で54.88%の最先端のローカライゼーション精度を達成する。
論文参考訳（メタデータ） (2020-06-09T12:35:55Z)

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。