論文の概要: Graph-based Global Robot Localization Informing Situational Graphs with Architectural Graphs

• arxiv url: http://arxiv.org/abs/2303.02076v1
• Date: Fri, 3 Mar 2023 16:48:38 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-06 14:13:05.011161
• Title: Graph-based Global Robot Localization Informing Situational Graphs with Architectural Graphs
• Title（参考訳）: 構造グラフを用いた状況グラフ作成のためのグラフベースグローバルロボットのローカライゼーション
• Authors: Muhammad Shaheer, Jose Andres Millan-Romera, Hriday Bavle, Jose Luis Sanchez-Lopez, Javier Civera, Holger Voos
• Abstract要約: 建物の計画図を建築図(A-Graph)と表現するものに変換する手法を開発する。 ロボットが環境内で動き始めると、その環境について何も知らないと仮定し、その環境のオンライン状況グラフ表現(S-Graph)を推定する。 本研究では,ロボットセンサから推定したSグラフと建築計画から抽出したAグラフを関連付けるために,新しいグラフ間マッチング法を開発した。
• 参考スコア（独自算出の注目度）: 8.514420632209811
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we propose a solution for legged robot localization using architectural plans. Our specific contributions towards this goal are several. Firstly, we develop a method for converting the plan of a building into what we denote as an architectural graph (A-Graph). When the robot starts moving in an environment, we assume it has no knowledge about it, and it estimates an online situational graph representation (S-Graph) of its surroundings. We develop a novel graph-to-graph matching method, in order to relate the S-Graph estimated online from the robot sensors and the A-Graph extracted from the building plans. Note the challenge in this, as the S-Graph may show a partial view of the full A-Graph, their nodes are heterogeneous and their reference frames are different. After the matching, both graphs are aligned and merged, resulting in what we denote as an informed Situational Graph (iS-Graph), with which we achieve global robot localization and exploitation of prior knowledge from the building plans. Our experiments show that our pipeline shows a higher robustness and a significantly lower pose error than several LiDAR localization baselines.
• Abstract（参考訳）: 本稿では,建築計画を用いた脚型ロボットのローカライズ手法を提案する。 この目標に対する具体的な貢献はいくつかあります。 まず,建築計画図を建築図 (a-graph) と呼ぶものに変換する手法を開発した。 ロボットが環境内で動き始めると、その環境について何も知らないと仮定し、その環境のオンライン状況グラフ表現(S-Graph)を推定する。 本研究では,ロボットセンサから推定したSグラフと建築計画から抽出したAグラフを関連付けるために,新しいグラフ間マッチング法を開発した。 ここでの課題は、sグラフが完全なaグラフの部分的なビューを示す可能性があるため、ノードは異種であり、参照フレームが異なることである。 マッチング後、両グラフは整列してマージされ、その結果、インフォームドシデンシャルグラフ (iS-Graph) と表現され、グローバルなロボットのローカライゼーションと、ビル計画からの事前知識の活用が達成される。 実験の結果,我々のパイプラインは複数のLiDAR局所化ベースラインよりもロバスト性が高く,ポーズ誤差も著しく低いことがわかった。

関連論文リスト

• Exploiting the Structure of Two Graphs with Graph Neural Networks [8.354731976915588]
  本稿では,異なるグラフ上に定義された2組の信号が存在するタスクを処理するための,グラフに基づく新しいディープラーニングアーキテクチャを提案する。 複数のグラフからの情報を活用することで、提案されたアーキテクチャは、データ内のさまざまなエンティティ間のより複雑な関係をキャプチャすることができる。
  論文  参考訳（メタデータ） (2024-11-07T19:39:39Z)
• G-Retriever: Retrieval-Augmented Generation for Textual Graph Understanding and Question Answering [61.93058781222079]
  現実のテキストグラフを対象とするフレキシブルな問合せフレームワークを開発した。 一般のテキストグラフに対する最初の検索拡張生成(RAG)手法を提案する。 G-Retrieverは、このタスクをSteiner Tree最適化問題として定式化し、グラフ上でRAGを実行する。
  論文  参考訳（メタデータ） (2024-02-12T13:13:04Z)
• Graph Transformer GANs with Graph Masked Modeling for Architectural Layout Generation [153.92387500677023]
  本稿では,グラフノード関係を効果的に学習するために,GTGAN(Graph Transformer Generative Adversarial Network)を提案する。 提案したグラフ変換器エンコーダは、局所的およびグローバルな相互作用をモデル化するために、Transformer内のグラフ畳み込みと自己アテンションを組み合わせる。 また,グラフ表現学習のための自己指導型事前学習手法を提案する。
  論文  参考訳（メタデータ） (2024-01-15T14:36:38Z)
• MGNet: Learning Correspondences via Multiple Graphs [78.0117352211091]
  学習対応は、不均一な対応分布と低い不整合率で設定された初期対応から正しい対応を見つけることを目的としている。 最近の進歩は、通常、グラフニューラルネットワーク(GNN)を使用して単一のタイプのグラフを構築したり、グローバルなグラフに局所グラフをスタックしてタスクを完了させる。 本稿では,複数の補完グラフを効果的に組み合わせるためのMGNetを提案する。
  論文  参考訳（メタデータ） (2024-01-10T07:58:44Z)
• Faster Optimization in S-Graphs Exploiting Hierarchy [8.17925295907622]
  冗長なロボットのポーズを余剰にすることでグラフサイズを削減するため,階層構造を利用したSグラフの改良版を提案する。 ベースラインに対する計算時間を39.81%削減しながら,ベースラインと同等の精度を示す。
  論文  参考訳（メタデータ） (2023-08-22T07:35:15Z)
• Diffusing Graph Attention [15.013509382069046]
  任意のグラフ構造をアーキテクチャに統合するグラフ変換器の新しいモデルを開発した。 GDはグラフ内の遠いノード間の構造的および位置的関係を抽出し、Transformerの注意とノード表現を指示する。 8つのベンチマークの実験では、グラフディフューザは高い競争力を持つモデルであることが示され、さまざまなドメインセットにおける最先端よりも優れています。
  論文  参考訳（メタデータ） (2023-03-01T16:11:05Z)
• S-Graphs+: Real-time Localization and Mapping leveraging Hierarchical Representations [9.13466172688693]
  S-Graphs+は,(1)ロボットのポーズを推定したポーズ層,(2)壁面を表す壁層,(3)壁面の集合を含む部屋層,(4)部屋を所定の階内に集める床層を含む,新しい4層係数グラフである。 上記のグラフは、ロボットのポーズとそのマップの堅牢で正確な推定値を得るために、リアルタイムで最適化され、同時に環境の高レベル情報を構築し、活用する。
  論文  参考訳（メタデータ） (2022-12-22T15:06:21Z)
• Semi-Supervised Hierarchical Graph Classification [54.25165160435073]
  ノードがグラフのインスタンスである階層グラフにおけるノード分類問題について検討する。 本稿では階層グラフ相互情報(HGMI)を提案し,理論的保証をもってHGMIを計算する方法を提案する。 本稿では,この階層グラフモデリングとSEAL-CI法がテキストおよびソーシャルネットワークデータに与える影響を実証する。
  論文  参考訳（メタデータ） (2022-06-11T04:05:29Z)
• Inference Attacks Against Graph Neural Networks [33.19531086886817]
  グラフの埋め込みは、グラフ分析問題を解決する強力なツールである。 グラフ埋め込みの共有は興味深いが、関連するプライバシーリスクは未調査だ。 3つの推論攻撃を組み込むことで,グラフ埋め込みの情報漏洩を系統的に調査する。
  論文  参考訳（メタデータ） (2021-10-06T10:08:11Z)
• Wasserstein-based Graph Alignment [56.84964475441094]
  我々は,より小さいグラフのノードと大きなグラフのノードをマッチングすることを目的とした,1対多のグラフアライメント問題に対する新しい定式化を行った。 提案手法は,各タスクに対する最先端のアルゴリズムに対して,大幅な改善をもたらすことを示す。
  論文  参考訳（メタデータ） (2020-03-12T22:31:59Z)
• Bridging Knowledge Graphs to Generate Scene Graphs [49.69377653925448]
  本稿では,2つのグラフ間の情報伝達を反復的に行う新しいグラフベースニューラルネットワークを提案する。 我々のグラフブリッジネットワークであるGB-Netは、エッジとノードを連続的に推論し、相互接続されたシーンとコモンセンスグラフのリッチでヘテロジニアスな構造を同時に活用し、洗練する。
  論文  参考訳（メタデータ） (2020-01-07T23:35:52Z)

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。