論文の概要: Efficient Map Sparsification Based on 2D and 3D Discretized Grids
- arxiv url: http://arxiv.org/abs/2303.10882v1
- Date: Mon, 20 Mar 2023 05:49:14 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-21 16:41:31.117700
- Title: Efficient Map Sparsification Based on 2D and 3D Discretized Grids
- Title(参考訳): 2次元および3次元離散格子に基づく効率的な地図分割
- Authors: Xiaoyu Zhang, Yun-Hui Liu
- Abstract要約: マップが大きくなると、より多くのメモリが必要になり、ローカライゼーションが非効率になる。
以前の地図スペーシフィケーション法は、選択されたランドマークの均一分布を強制するために混合整数計画において二次項を追加する。
本稿では,効率的な線形形式で地図スペーシフィケーションを定式化し,2次元離散格子に基づく一様分布ランドマークを選択する。
- 参考スコア(独自算出の注目度): 47.22997560184043
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Localization in a pre-built map is a basic technique for robot autonomous
navigation. Existing mapping and localization methods commonly work well in
small-scale environments. As a map grows larger, however, more memory is
required and localization becomes inefficient. To solve these problems, map
sparsification becomes a practical necessity to acquire a subset of the
original map for localization. Previous map sparsification methods add a
quadratic term in mixed-integer programming to enforce a uniform distribution
of selected landmarks, which requires high memory capacity and heavy
computation. In this paper, we formulate map sparsification in an efficient
linear form and select uniformly distributed landmarks based on 2D discretized
grids. Furthermore, to reduce the influence of different spatial distributions
between the mapping and query sequences, which is not considered in previous
methods, we also introduce a space constraint term based on 3D discretized
grids. The exhaustive experiments in different datasets demonstrate the
superiority of the proposed methods in both efficiency and localization
performance. The relevant codes will be released at
https://github.com/fishmarch/SLAM_Map_Compression.
- Abstract(参考訳): プリビルドマップでのローカライゼーションは、自律走行ロボットの基本技術である。
既存のマッピングとローカライズ手法は、小規模環境ではよく機能する。
しかし、地図が大きくなるにつれて、より多くのメモリが必要となり、ローカライゼーションが非効率になる。
これらの問題を解決するために、マップスパーシフィケーションは、ローカライゼーションのために元のマップのサブセットを取得するための実用的な必要性となる。
従来のマップスペーシフィケーション手法は、メモリ容量と重い計算を必要とする選択されたランドマークの均一な分布を強制するために、混合整数プログラミングにおいて二次項を追加する。
本稿では,効率的な線形形式で地図スペーシフィケーションを定式化し,2次元離散格子に基づく一様分布ランドマークを選択する。
さらに,従来の手法では考慮されていないマッピングとクエリシーケンス間の空間分布の違いの影響を低減するために,3次元離散格子に基づく空間制約項を導入する。
異なるデータセットにおける徹底的な実験は、効率と局所化性能の両方において提案手法の優位性を示す。
関連するコードはhttps://github.com/fishmarch/SLAM_Map_Compressionで公開される。
関連論文リスト
- Volumetric Semantically Consistent 3D Panoptic Mapping [84.2638617094967]
非構造環境における自律エージェントに適したセマンティック3Dマップを生成することを目的としたオンライン2次元から3次元のセマンティック・インスタンスマッピングアルゴリズムを提案する。
マッピング中にセマンティック予測の信頼性を統合し、セマンティックおよびインスタンス一貫性のある3D領域を生成する新しい方法を導入する。
提案手法は,パブリックな大規模データセット上での最先端の精度を実現し,多くの広く使用されているメトリクスを改善した。
論文 参考訳(メタデータ) (2023-09-26T08:03:10Z) - Neural Semantic Surface Maps [52.61017226479506]
本稿では,2つの属とゼロの形状の地図を自動計算する手法を提案する。
提案手法は,手動のアノテーションや3Dトレーニングデータ要求を排除し,意味的表面-表面マップを生成する。
論文 参考訳(メタデータ) (2023-09-09T16:21:56Z) - Quadric Representations for LiDAR Odometry, Mapping and Localization [93.24140840537912]
現在のLiDARオードメトリ、マッピング、ローカライズ手法は、3Dシーンのポイントワイズ表現を利用する。
3次元オブジェクトのよりコンパクトな表現である2次元曲面を用いたシーン記述法を提案する。
提案手法は低レイテンシとメモリの有効性を維持しつつ、競争力があり、しかも精度も優れている。
論文 参考訳(メタデータ) (2023-04-27T13:52:01Z) - Semi-supervised Learning of Pushforwards For Domain Translation &
Adaptation [3.800498098285222]
関連するデータ空間に2つの確率密度が与えられると、1つの密度をもう1つの密度にプッシュする写像を求める。
広いアプリケーション領域にユーティリティを持つマップには、サンプル外のデータポイントに適用するためのマップが必要です。
本稿では,正規化フローを利用して地図をパラメータ化する新しいプッシュフォワードマップ学習アルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-04-18T00:35:32Z) - Asynchronously Trained Distributed Topographic Maps [0.0]
分散トレーニングによって特徴マップを生成するために,N$の自律ユニットを用いたアルゴリズムを提案する。
単位の自律性は、分散探索とカスケード駆動の重み更新スキームを組み合わせることで、時間と空間のスパース相互作用によって達成される。
論文 参考訳(メタデータ) (2023-01-20T01:15:56Z) - SHINE-Mapping: Large-Scale 3D Mapping Using Sparse Hierarchical Implicit
Neural Representations [37.733802382489515]
本稿では, 3次元LiDAR計測を用いて, 暗示表現を用いた大規模3次元再構成を実現する際の課題について述べる。
我々はオクツリーに基づく階層構造を通じて暗黙的な特徴を学習し、保存する。
我々の3D再構成は、現在の最先端3Dマッピング法よりも正確で、完全で、メモリ効率が高いことを示す。
論文 参考訳(メタデータ) (2022-10-05T14:38:49Z) - Rethinking Spatial Invariance of Convolutional Networks for Object
Counting [119.83017534355842]
局所連結ガウス核を用いて元の畳み込みフィルタを置き換え、密度写像の空間位置を推定する。
従来の研究から着想を得て,大規模なガウス畳み込みの近似を好意的に実装するために,翻訳不変性を伴う低ランク近似を提案する。
提案手法は,他の最先端手法を著しく上回り,物体の空間的位置の有望な学習を実現する。
論文 参考訳(メタデータ) (2022-06-10T17:51:25Z) - Improved Counting and Localization from Density Maps for Object
Detection in 2D and 3D Microscopy Imaging [4.746727774540763]
密度マップから対象をカウント・ローカライズする別の方法を提案する。
その結果,2次元および3次元顕微鏡データにおけるオブジェクトのカウントとローカライゼーションの性能が向上した。
論文 参考訳(メタデータ) (2022-03-29T15:54:19Z) - Gaussian map predictions for 3D surface feature localisation and
counting [5.634825161148484]
本稿では,3次元表面特徴量と正確な位置を推定するためにガウス写像表現を用いることを提案する。
本手法を2次元形状表現に投影可能な物体の3次元球面クラスに適用する。
本手法を,果実品質指標として用いたイチゴアチェインの表現法として実用的に利用した。
論文 参考訳(メタデータ) (2021-12-07T14:43:14Z) - Markov Localisation using Heatmap Regression and Deep Convolutional
Odometry [59.33322623437816]
我々は,最新のディープラーニングハードウェアを活用する新しいCNNベースのローカライゼーション手法を提案する。
画像に基づくローカライゼーションと,1つのニューラルネットワーク内でのオドメトリーに基づく確率伝搬を行うハイブリッドCNNを作成する。
論文 参考訳(メタデータ) (2021-06-01T10:28:49Z)
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。