論文の概要: Dynamic Object Removal for Effective Slam

• arxiv url: http://arxiv.org/abs/2303.10923v1
• Date: Mon, 20 Mar 2023 07:47:36 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-21 16:21:36.867896
• Title: Dynamic Object Removal for Effective Slam
• Title（参考訳）: 有効スラムのための動的物体除去
• Authors: Phani Krishna Uppala, Abhishek Bamotra, Raj Kolamuri
• Abstract要約: 本稿では,この課題に対処する2段階のプロセスを提案する。フローベース手法を用いてシーン内の動的オブジェクトを抽出し,ディープビデオ塗装アルゴリズムを用いて除去する。 本研究の目的は,2つの最先端SLAMアルゴリズム,ORB-SLAM2 と LSD を用いてベースライン結果と比較し,動的オブジェクトとそれに対応するトレードオフの影響を理解することである。
• 参考スコア（独自算出の注目度）: 1.8907108368038215
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This research paper focuses on the problem of dynamic objects and their impact on effective motion planning and localization. The paper proposes a two-step process to address this challenge, which involves finding the dynamic objects in the scene using a Flow-based method and then using a deep Video inpainting algorithm to remove them. The study aims to test the validity of this approach by comparing it with baseline results using two state-of-the-art SLAM algorithms, ORB-SLAM2 and LSD, and understanding the impact of dynamic objects and the corresponding trade-offs. The proposed approach does not require any significant modifications to the baseline SLAM algorithms, and therefore, the computational effort required remains unchanged. The paper presents a detailed analysis of the results obtained and concludes that the proposed method is effective in removing dynamic objects from the scene, leading to improved SLAM performance.
• Abstract（参考訳）: 本稿では,動的物体の問題とその効果的な動き計画と局所化への影響について考察する。 本稿では,この課題に対処する2段階のプロセスを提案する。フローベース手法を用いてシーン内の動的オブジェクトを抽出し,ディープビデオ塗装アルゴリズムを用いて除去する。 本研究の目的は,2つの最先端SLAMアルゴリズム,ORB-SLAM2 と LSD を用いてベースライン結果と比較し,動的オブジェクトとそれに対応するトレードオフの影響を理解することである。 提案手法ではベースラインslamアルゴリズムの大幅な修正は必要とせず,計算量も変わっていない。 本稿では,得られた結果の詳細な分析を行い,提案手法がシーンから動的オブジェクトを除去するのに有効であることを結論づけ,スラム性能の向上に繋がる。

関連論文リスト

• Learn to Memorize and to Forget: A Continual Learning Perspective of Dynamic SLAM [17.661231232206028]
  暗黙的な神経表現を伴う同時局所化とマッピング(SLAM)が注目されている。 動的環境のための新しいSLAMフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-07-18T09:35:48Z)
• ACE : Off-Policy Actor-Critic with Causality-Aware Entropy Regularization [52.5587113539404]
  因果関係を考慮したエントロピー(entropy)という用語を導入し,効率的な探索を行うための潜在的影響の高いアクションを効果的に識別し,優先順位付けする。 提案アルゴリズムであるACE:Off-policy Actor-critic with Causality-aware Entropy regularizationは,29種類の連続制御タスクに対して,大幅な性能上の優位性を示す。
  論文  参考訳（メタデータ） (2024-02-22T13:22:06Z)
• NID-SLAM: Neural Implicit Representation-based RGB-D SLAM in dynamic environments [9.706447888754614]
  動的環境におけるニューラルSLAMの性能を大幅に向上させるNID-SLAMを提案する。 本稿では, セマンティックマスクにおける不正確な領域, 特に辺縁領域における不正確な領域を強化するための新しいアプローチを提案する。 また,ダイナミックシーンの選択戦略を導入し,大規模オブジェクトに対するカメラトラッキングの堅牢性を高める。
  論文  参考訳（メタデータ） (2024-01-02T12:35:03Z)
• Graphical Object-Centric Actor-Critic [55.2480439325792]
  本稿では,アクター批判とモデルに基づくアプローチを組み合わせたオブジェクト中心強化学習アルゴリズムを提案する。 変換器エンコーダを用いてオブジェクト表現とグラフニューラルネットワークを抽出し、環境のダイナミクスを近似する。 本アルゴリズムは,現状のモデルフリーアクター批判アルゴリズムよりも複雑な3次元ロボット環境と構成構造をもつ2次元環境において,より優れた性能を発揮する。
  論文  参考訳（メタデータ） (2023-10-26T06:05:12Z)
• Dynamic-Resolution Model Learning for Object Pile Manipulation [33.05246884209322]
  本研究では,様々な抽象レベルで動的かつ適応的な表現を学習し,効率と効率の最適なトレードオフを実現する方法について検討する。 具体的には、環境の動的分解能粒子表現を構築し、グラフニューラルネットワーク(GNN)を用いた統一力学モデルを学ぶ。 本手法は, 粒状オブジェクトの収集, ソート, 再分配において, 最先端の固定解像度ベースラインよりも優れた性能が得られることを示す。
  論文  参考訳（メタデータ） (2023-06-29T05:51:44Z)
• Cycle Consistency Driven Object Discovery [75.60399804639403]
  本研究では,シーンの各オブジェクトが異なるスロットに関連付けられなければならない制約を明示的に最適化する手法を提案する。 これらの一貫性目標を既存のスロットベースのオブジェクト中心手法に統合することにより、オブジェクト発見性能を大幅に改善することを示す。 提案手法は,オブジェクト発見を改善するだけでなく,下流タスクのよりリッチな機能も提供することを示唆している。
  論文  参考訳（メタデータ） (2023-06-03T21:49:06Z)
• D2SLAM: Semantic visual SLAM based on the influence of Depth for Dynamic environments [0.483420384410068]
  一般化とシーン認識に欠ける動的要素を決定するための新しい手法を提案する。 我々は,幾何学的および意味的モジュールからの推定精度を向上するシーン深度情報を用いる。 その結果, 動的環境における正確な位置推定とマッピングを行う上で, 提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2022-10-16T22:13:59Z)
• Object Detection with Deep Reinforcement Learning [0.0]
  深層強化学習に基づく新しいアクティブオブジェクトローカライゼーションアルゴリズムを実装した。 我々は,このMDPに対して,階層的手法と動的手法の2つの異なるアクション設定を比較した。
  論文  参考訳（メタデータ） (2022-08-09T02:34:53Z)
• Improving robustness of jet tagging algorithms with adversarial training [56.79800815519762]
  本研究では,フレーバータグ付けアルゴリズムの脆弱性について,敵攻撃による検証を行った。 シミュレーション攻撃の影響を緩和する対人訓練戦略を提案する。
  論文  参考訳（メタデータ） (2022-03-25T19:57:19Z)
• DOT: Dynamic Object Tracking for Visual SLAM [83.69544718120167]
  DOTはインスタンスセグメンテーションとマルチビュー幾何を組み合わせて、動的オブジェクトのマスクを生成する。 実際にどのオブジェクトが動いているかを判断するために、DOTは、潜在的にダイナミックなオブジェクトの最初のインスタンスを抽出し、次に推定されたカメラモーションで、測光再投射誤差を最小限にして、そのようなオブジェクトを追跡する。 提案手法はORB-SLAM 2の精度とロバスト性を大幅に向上することを示す。
  論文  参考訳（メタデータ） (2020-09-30T18:36:28Z)
• Discrete Action On-Policy Learning with Action-Value Critic [72.20609919995086]
  離散的な行動空間における強化学習(RL)は、実世界の応用では至るところで行われているが、その複雑さは行動空間次元とともに指数関数的に増大する。 我々は,行動値関数を推定し,相関行動に適用し,これらの評価値を組み合わせて勾配推定の分散を制御する。 これらの取り組みにより、分散制御技術に頼って、関連するRLアルゴリズムを実証的に上回る、新たな離散的なRLアルゴリズムが実現される。
  論文  参考訳（メタデータ） (2020-02-10T04:23:09Z)

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。