論文の概要: An Efficient Plane Extraction Approach for Bundle Adjustment on LiDAR Point clouds

• arxiv url: http://arxiv.org/abs/2305.00287v1
• Date: Sat, 29 Apr 2023 15:47:29 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-02 16:02:53.570234
• Title: An Efficient Plane Extraction Approach for Bundle Adjustment on LiDAR Point clouds
• Title（参考訳）: LiDAR点雲上のバンドル調整のための効率的な平面抽出手法
• Authors: Zheng Liu and Fu Zhang
• Abstract要約: 我々は,LiDARバンドル調整のための点関連性を提供するために特別に設計された平面抽出のための,新規で効率的なボクセルベースアプローチを提案する。 HILTIを用いた実験結果から,提案手法が他の平面抽出法と比較して,最も高精度かつ最小の時間コストを達成できることが示唆された。
• 参考スコア（独自算出の注目度）: 6.530864926156266
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Bundle adjustment (BA) on LiDAR point clouds has been extensively investigated in recent years due to its ability to optimize multiple poses together, resulting in high accuracy and global consistency for point cloud. However, the accuracy and speed of LiDAR bundle adjustment depend on the quality of plane extraction, which provides point association for LiDAR BA. In this study, we propose a novel and efficient voxel-based approach for plane extraction that is specially designed to provide point association for LiDAR bundle adjustment. To begin, we partition the space into multiple voxels of a fixed size and then split these root voxels based on whether the points are on the same plane, using an octree structure. We also design a novel plane determination method based on principle component analysis (PCA), which segments the points into four even quarters and compare their minimum eigenvalues with that of the initial point cloud. Finally, we adopt a plane merging method to prevent too many small planes from being in a single voxel, which can increase the optimization time required for BA. Our experimental results on HILTI demonstrate that our approach achieves the best precision and least time cost compared to other plane extraction methods.
• Abstract（参考訳）: LiDARポイントクラウド上のバンドル調整(BA)は、複数のポーズを同時に最適化する能力により、ポイントクラウドの高精度でグローバルな一貫性をもたらすため、近年広く研究されている。 しかし、LiDARバンドル調整の精度と速度は、LiDAR BAの点関連性を提供する平面抽出の品質に依存する。 本研究では,lidarバンドル調整のためのポイントアソシエーションを提供するために特別に設計された,voxelに基づく平面抽出手法を提案する。 まず、空間を一定サイズの複数のボクセルに分割し、その点が同じ平面上にあるかどうかに基づいて、octree構造を用いてこれらのルートボクセルを分割する。 また,基本成分分析(pca)に基づく新しい平面決定法を考案し,各点を4つの偶数クォーターに分割し,それらの最小固有値と初期点クラウドの値を比較する。 最後に,1つのボクセル内に存在する小さな平面が多すぎることを防止し,BAに必要な最適化時間を短縮する平面マージ手法を提案する。 HILTIを用いた実験結果から,提案手法が他の平面抽出法と比較して最適かつ最小の時間コストを実現することを示す。

関連論文リスト

• Micro-Structures Graph-Based Point Cloud Registration for Balancing Efficiency and Accuracy [5.70403503863614]
  マイクロ構造グラフに基づくグローバルポイントクラウド登録手法を提案する。 提案手法は3DMatch と ETH のデータセットでよく機能する。
  論文  参考訳（メタデータ） (2024-10-29T08:36:23Z)
• SPARE: Symmetrized Point-to-Plane Distance for Robust Non-Rigid Registration [76.40993825836222]
  本研究では,SPAREを提案する。SPAREは,非剛性登録のための対称化点-平面間距離を用いた新しい定式化である。 提案手法は, 厳密でない登録問題の精度を大幅に向上し, 比較的高い解効率を維持する。
  論文  参考訳（メタデータ） (2024-05-30T15:55:04Z)
• Point Cloud Classification via Deep Set Linearized Optimal Transport [51.99765487172328]
  我々は,点雲をL2-$spaceに効率的に同時埋め込むアルゴリズムであるDeep Set Linearized Optimal Transportを紹介した。 この埋め込みはワッサーシュタイン空間内の特定の低次元構造を保持し、点雲の様々なクラスを区別する分類器を構成する。 我々は,有限個のラベル付き点雲を持つフローデータセットの実験を通じて,標準的な深層集合アプローチに対するアルゴリズムの利点を実証する。
  論文  参考訳（メタデータ） (2024-01-02T23:26:33Z)
• Point Cloud Pre-training with Diffusion Models [62.12279263217138]
  我々は、ポイントクラウド拡散事前学習(PointDif)と呼ばれる新しい事前学習手法を提案する。 PointDifは、分類、セグメンテーション、検出など、さまざまな下流タスクのために、さまざまな現実世界のデータセット間で大幅に改善されている。
  論文  参考訳（メタデータ） (2023-11-25T08:10:05Z)
• Grad-PU: Arbitrary-Scale Point Cloud Upsampling via Gradient Descent with Learned Distance Functions [77.32043242988738]
  我々は、任意のアップサンプリングレートをサポートする、正確なポイントクラウドアップサンプリングのための新しいフレームワークを提案する。 提案手法は,まず,所定のアップサンプリング率に応じて低解像度の雲を補間する。
  論文  参考訳（メタデータ） (2023-04-24T06:36:35Z)
• VIP-SLAM: An Efficient Tightly-Coupled RGB-D Visual Inertial Planar SLAM [25.681256050571058]
  本稿では,RGB,Depth,IMU,構造化平面情報とを融合した密結合SLAMシステムを提案する。 我々は、最適化において多数の平面点のパラメータを除去するために、ホモグラフィ制約を用いる。 グローバルバンドル調整はスパースポイントベースのSLAMアルゴリズムの約2倍高速である。
  論文  参考訳（メタデータ） (2022-07-04T01:45:24Z)
• On Enhancing Ground Surface Detection from Sparse Lidar Point Cloud [6.577622354490276]
  本稿では,低ビーム分解能ライダーにより捕捉された多くのスペーサー点雲に適用可能な地盤検出手法を提案する。 この手法はRANSACの平面フィッティング方式に基づいている。
  論文  参考訳（メタデータ） (2021-05-25T03:58:18Z)
• Efficient LiDAR Odometry for Autonomous Driving [16.22522474028277]
  LiDARオドメトリーは、自律ナビゲーションの自己局在化とマッピングにおいて重要な役割を果たします。 近年の球面範囲画像ベース手法は球面マッピングによる高速近接探索の利点を享受している。 そこで本稿では,非球面画像と鳥眼視図の両面を基盤点に利用して,新しい効率的なLiDARオドメトリー手法を提案する。
  論文  参考訳（メタデータ） (2021-04-22T06:05:09Z)
• Accurate and Robust Scale Recovery for Monocular Visual Odometry Based on Plane Geometry [7.169216737580712]
  地上面の高精度かつロバストな推定を生かした軽量なスケール復元フレームワークを開発した。 KITTIデータセットの実験により,提案したフレームワークが翻訳誤りの点から最先端の精度を達成できることが示されている。 軽量な設計のため、我々のフレームワークはデータセット上で20Hzの高周波数を示す。
  論文  参考訳（メタデータ） (2021-01-15T07:21:24Z)
• FLOT: Scene Flow on Point Clouds Guided by Optimal Transport [82.86743909483312]
  本稿では,点雲上のシーンフローを推定するFLOT法を提案する。 グラフマッチングに関する最近の研究に触発されて、最適な輸送手段からツールを借りてこれらの対応を見つける方法を構築した。 私たちの主な発見は、FLOTは、合成および実世界のデータセット上で、最も優れた既存の方法と同様に、実行可能であることです。
  論文  参考訳（メタデータ） (2020-07-22T00:15:30Z)
• Reconfigurable Voxels: A New Representation for LiDAR-Based Point Clouds [76.52448276587707]
  本稿では,3次元点群から表現を構成する新しい手法であるReconfigurable Voxelsを提案する。 具体的には,各地区を一定数のボクセルで適応的にカバーするランダムウォーク方式を考案する。 この手法は,特に疎水領域において,ボクセル特性の安定性を効果的に向上することがわかった。
  論文  参考訳（メタデータ） (2020-04-06T15:07:16Z)

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。