論文の概要: Visual-LiDAR Odometry and Mapping with Monocular Scale Correction and
Visual Bootstrapping
- arxiv url: http://arxiv.org/abs/2304.08978v2
- Date: Sat, 8 Jul 2023 09:07:10 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-11 22:06:52.389747
- Title: Visual-LiDAR Odometry and Mapping with Monocular Scale Correction and
Visual Bootstrapping
- Title(参考訳): モノクルスケール補正とブートストラップを用いた視覚-LiDARオドメトリーとマッピング
- Authors: Hanyu Cai, Ni Ou and Junzheng Wang
- Abstract要約: 低ドリフト特性を有する新しい視覚-LiDARオドメトリーおよびマッピング法を提案する。
提案手法は,ORB-SLAM と A-LOAM の2つの一般的な手法に基づく。
ORB-SLAM2 と A-LOAM を比較検討した。
- 参考スコア(独自算出の注目度): 0.7734726150561089
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper presents a novel visual-LiDAR odometry and mapping method with
low-drift characteristics. The proposed method is based on two popular
approaches, ORB-SLAM and A-LOAM, with monocular scale correction and
visual-bootstrapped LiDAR poses initialization modifications. The scale
corrector calculates the proportion between the depth of image keypoints
recovered by triangulation and that provided by LiDAR, using an outlier
rejection process for accuracy improvement. Concerning LiDAR poses
initialization, the visual odometry approach gives the initial guesses of LiDAR
motions for better performance. This methodology is not only applicable to
high-resolution LiDAR but can also adapt to low-resolution LiDAR. To evaluate
the proposed SLAM system's robustness and accuracy, we conducted experiments on
the KITTI Odometry and S3E datasets. Experimental results illustrate that our
method significantly outperforms standalone ORB-SLAM2 and A-LOAM. Furthermore,
regarding the accuracy of visual odometry with scale correction, our method
performs similarly to the stereo-mode ORB-SLAM2.
- Abstract(参考訳): 本稿では,低ドリフト特性を有する新しい視覚-LiDARオドメトリーとマッピング手法を提案する。
提案手法は,単眼スケール補正と視覚起動型lidarによる初期化修正を併用した,orb-slamとa-loamの2つの一般的なアプローチに基づいている。
スケール補正器は、三角測量により回収された画像キーポイントの深さとLiDARによって提供される画像キーポイントの深さの比率を、精度向上のためにオフリヤ拒絶法を用いて算出する。
初期化を行うLiDARについて、視覚的オドメトリー法により、LiDARの動作を推定し、性能を向上させる。
この手法は高分解能LiDARだけでなく、低分解能LiDARにも適用可能である。
提案したSLAMシステムのロバスト性と精度を評価するため,KITTIオドメトリーとS3Eデータセットの実験を行った。
実験の結果,orb-slam2 と a-loam を有意に上回った。
さらに,スケール補正による視力計測の精度は,ステレオモードORB-SLAM2と同様である。
関連論文リスト
- EDI: ESKF-based Disjoint Initialization for Visual-Inertial SLAM Systems [9.937997167972743]
本稿では,高速,高精度,堅牢な視覚慣性初期化のための新しい手法を提案する。
提案手法は,3秒未満で平均5.8%の誤差を実現する。
論文 参考訳(メタデータ) (2023-08-04T19:06:58Z) - OSPC: Online Sequential Photometric Calibration [0.0]
測光キャリブレーションは多くのコンピュータビジョンアプリケーションに必須である。
逐次推定手法を用いて,測光パラメータの解法を提案する。
論文 参考訳(メタデータ) (2023-05-28T09:44:58Z) - A Tightly Coupled LiDAR-IMU Odometry through Iterated Point-Level
Undistortion [10.399676936364527]
Scan undistortionは、高ダイナミック環境におけるLiDARオドメトリーの鍵となるモジュールである。
繰り返し点レベルの歪みに対処するLiDAR-IMUオドメトリーの最適化を提案する。
論文 参考訳(メタデータ) (2022-09-25T15:48:42Z) - PaGO-LOAM: Robust Ground-Optimized LiDAR Odometry [7.111443975103329]
地上最適化LiDARオドメトリーは、通常、前処理法としてグラウンドセグメンテーションを用いる。
本稿では, 地盤のセグメンテーションがLiDAR SLAMに与える影響を確認するために, 強靭な地盤最適化LiDARオドメトリーフレームワークを提案する。
これらの手法は, KITTI odometry データセットを用いて検討した。
論文 参考訳(メタデータ) (2022-06-01T06:50:44Z) - A Model for Multi-View Residual Covariances based on Perspective
Deformation [88.21738020902411]
マルチビューSfM, オードメトリ, SLAMセットアップにおける視覚的残差の共分散モデルの導出を行う。
我々は、合成データと実データを用いてモデルを検証し、それを光度および特徴量に基づくバンドル調整に統合する。
論文 参考訳(メタデータ) (2022-02-01T21:21:56Z) - MonoDistill: Learning Spatial Features for Monocular 3D Object Detection [80.74622486604886]
本稿では,LiDAR信号からの空間情報を単分子3D検出器に導入するための簡易かつ効果的な手法を提案する。
得られたデータを用いて、ベースラインモデルと同じアーキテクチャで3D検出器をトレーニングする。
実験の結果,提案手法はベースラインモデルの性能を大幅に向上させることができることがわかった。
論文 参考訳(メタデータ) (2022-01-26T09:21:41Z) - End-To-End Optimization of LiDAR Beam Configuration for 3D Object
Detection and Localization [87.56144220508587]
与えられたアプリケーションに対するLiDARビーム構成の最適化を学ぶために、新しい経路を取る。
ビーム構成を自動的に最適化する強化学習に基づく学習最適化フレームワークを提案する。
本手法は低解像度(低コスト)のLiDARが必要な場合に特に有用である。
論文 参考訳(メタデータ) (2022-01-11T09:46:31Z) - Pushing the Envelope of Rotation Averaging for Visual SLAM [69.7375052440794]
視覚SLAMシステムのための新しい最適化バックボーンを提案する。
従来の単分子SLAMシステムの精度, 効率, 堅牢性を向上させるために, 平均化を活用している。
我々のアプローチは、公開ベンチマークの最先端技術に対して、同等の精度で最大10倍高速に表示することができる。
論文 参考訳(メタデータ) (2020-11-02T18:02:26Z) - SelfVoxeLO: Self-supervised LiDAR Odometry with Voxel-based Deep Neural
Networks [81.64530401885476]
本稿では,これら2つの課題に対処するために,自己教師型LiDARオドメトリー法(SelfVoxeLO)を提案する。
具体的には、生のLiDARデータを直接処理する3D畳み込みネットワークを提案し、3D幾何パターンをよりよく符号化する特徴を抽出する。
我々は,KITTIとApollo-SouthBayという2つの大規模データセット上での手法の性能を評価する。
論文 参考訳(メタデータ) (2020-10-19T09:23:39Z) - D3VO: Deep Depth, Deep Pose and Deep Uncertainty for Monocular Visual
Odometry [57.5549733585324]
D3VOは、深度、ポーズ、不確実性推定という3つのレベルでディープネットワークを利用する、単眼の視覚計測のための新しいフレームワークである。
まず,ステレオビデオを用いた自己監督型単眼深度推定ネットワークを提案する。
入力画像上の画素の光度不確かさをモデル化し、深度推定精度を向上させる。
論文 参考訳(メタデータ) (2020-03-02T17:47:13Z)
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。