論文の概要: Energy-Based Models for Cross-Modal Localization using Convolutional Transformers

• arxiv url: http://arxiv.org/abs/2306.04021v1
• Date: Tue, 6 Jun 2023 21:27:08 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-08 17:08:35.264354
• Title: Energy-Based Models for Cross-Modal Localization using Convolutional Transformers
• Title（参考訳）: 畳み込み変換器を用いたモーダルクロスローカライゼーションのためのエネルギーモデル
• Authors: Alan Wu and Michael S. Ryoo
• Abstract要約: GPSのない衛星画像に対して、距離センサを搭載した地上車両を位置決めする新しい枠組みを提案する。 本稿では, 畳み込み変換器を用いて, 高精度な計量レベルの局所化を行う手法を提案する。 我々は、エンドツーエンドでモデルをトレーニングし、KITTI、Pandaset、カスタムデータセットの最先端技術よりも高い精度でアプローチを実証する。
• 参考スコア（独自算出の注目度）: 52.27061799824835
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a novel framework using Energy-Based Models (EBMs) for localizing a ground vehicle mounted with a range sensor against satellite imagery in the absence of GPS. Lidar sensors have become ubiquitous on autonomous vehicles for describing its surrounding environment. Map priors are typically built using the same sensor modality for localization purposes. However, these map building endeavors using range sensors are often expensive and time-consuming. Alternatively, we leverage the use of satellite images as map priors, which are widely available, easily accessible, and provide comprehensive coverage. We propose a method using convolutional transformers that performs accurate metric-level localization in a cross-modal manner, which is challenging due to the drastic difference in appearance between the sparse range sensor readings and the rich satellite imagery. We train our model end-to-end and demonstrate our approach achieving higher accuracy than the state-of-the-art on KITTI, Pandaset, and a custom dataset.
• Abstract（参考訳）: 距離センサを搭載した地上車両をGPSのない衛星画像に対して位置決めするために,エネルギーベースモデル(EBM)を用いた新しい枠組みを提案する。 ライダーセンサーは、周囲の環境を説明するために自動運転車にユビキタス化されている。 マッププリエントは通常、ローカライゼーションの目的で同じセンサーモダリティを使って構築される。 しかし、レンジセンサーを用いた地図作成は高価で時間を要することが多い。 あるいは、広く利用可能で、簡単にアクセスでき、包括的なカバレッジを提供するマッププリミティブとして衛星画像を利用する。 本研究では,広帯域センサとリッチ・サテライト・サテライト・サテライト・サテライトの視認の相違により,高精度な計量レベルのローカライズを実現する畳み込みトランスフォーマーを用いた手法を提案する。 我々は、エンドツーエンドでモデルをトレーニングし、KITTI、Pandaset、カスタムデータセットの最先端技術よりも高い精度でアプローチを実証する。

関連論文リスト

• Neural Semantic Map-Learning for Autonomous Vehicles [85.8425492858912]
  本稿では,道路環境のコヒーレントな地図を作成するために,車両群から収集した局所部分写像を中心インスタンスに融合するマッピングシステムを提案する。 本手法は,シーン特異的なニューラルサイン距離場を用いて,雑音と不完全局所部分写像を併用する。 我々は,記憶効率の高いスパース機能グリッドを活用して大規模にスケールし,シーン再構築における不確実性をモデル化するための信頼スコアを導入する。
  論文  参考訳（メタデータ） (2024-10-10T10:10:03Z)
• SemVecNet: Generalizable Vector Map Generation for Arbitrary Sensor Configurations [3.8472678261304587]
  センサ構成への一般化を改善したベクトルマップ生成のためのモジュールパイプラインを提案する。 センサ構成に頑健なBEVセマンティックマップを採用することにより,提案手法は一般化性能を大幅に改善する。
  論文  参考訳（メタデータ） (2024-04-30T23:45:16Z)
• UnLoc: A Universal Localization Method for Autonomous Vehicles using LiDAR, Radar and/or Camera Input [51.150605800173366]
  UnLocは、全ての気象条件におけるマルチセンサー入力によるローカライズのための、新しい統一型ニューラルネットワークアプローチである。 本手法は,Oxford Radar RobotCar,Apollo SouthBay,Perth-WAの各データセットで広く評価されている。
  論文  参考訳（メタデータ） (2023-07-03T04:10:55Z)
• Uncertainty-aware Vision-based Metric Cross-view Geolocalization [25.87104194833264]
  地上画像と空中画像を用いて車両のポーズの確率分布を予測するエンド・ツー・エンドの微分モデルを提案する。 テストエリアからの地上データや空中データなしでも、最先端の技術を大きなマージンで改善する。
  論文  参考訳（メタデータ） (2022-11-22T10:23:20Z)
• Satellite Image Based Cross-view Localization for Autonomous Vehicle [59.72040418584396]
  本稿では,市販の高精細衛星画像を使用可能な地図として利用することにより,良好な精度でクロスビュー車両のローカライゼーションを実現することができることを示す。 本手法はKITTIとFord Multi-AVの季節データセットを地上ビューとして,Google Mapsを衛星ビューとして検証した。
  論文  参考訳（メタデータ） (2022-07-27T13:16:39Z)
• Beyond Cross-view Image Retrieval: Highly Accurate Vehicle Localization Using Satellite Image [91.29546868637911]
  本稿では,地上画像と架空衛星地図とをマッチングすることにより,車載カメラのローカライゼーションの問題に対処する。 鍵となる考え方は、タスクをポーズ推定として定式化し、ニューラルネットベースの最適化によってそれを解くことである。 標準自動運転車のローカライゼーションデータセットの実験により,提案手法の優位性が確認された。
  論文  参考訳（メタデータ） (2022-04-10T19:16:58Z)
• Continuous Self-Localization on Aerial Images Using Visual and Lidar Sensors [25.87104194833264]
  本研究では,車両のセンサ情報を未確認対象領域の航空画像に登録することにより,屋外環境におけるジオトラッキング手法を提案する。 我々は、地上および空中画像から視覚的特徴を抽出するために、計量学習環境でモデルを訓練する。 本手法は,視認不可能な正光の自己局在化のために,エンド・ツー・エンドの微分可能なモデルでオンボードカメラを利用する最初の方法である。
  論文  参考訳（メタデータ） (2022-03-07T12:25:44Z)
• RaLL: End-to-end Radar Localization on Lidar Map Using Differentiable Measurement Model [14.155337185792279]
  ライダーマップ(RaLL)上でのレーダローカライゼーションのためのエンドツーエンドディープラーニングフレームワークを提案する。 RaLLは成熟ライダーマッピング技術を利用しており、レーダマッピングのコストを低減している。 提案システムは,英国におけるモデルトレーニングの一般化シナリオにおいても,90km以上の運転性能を実現する。
  論文  参考訳（メタデータ） (2020-09-15T13:13:38Z)
• Self-Supervised Localisation between Range Sensors and Overhead Imagery [24.18942374703494]
  市販の衛星画像は、以前のセンサーマップが利用できない場合に、ユビキタスで安価で強力な車両位置決めツールとなり得る。 そこで本研究では,モダリティの違いに対処するだけでなく,学習のコストも低く,計量的に正確な基底真理を伴わない自己教師型学習法を提案する。
  論文  参考訳（メタデータ） (2020-06-03T08:58:54Z)
• Deep Soft Procrustes for Markerless Volumetric Sensor Alignment [81.13055566952221]
  本研究では、より堅牢なマルチセンサ空間アライメントを実現するために、マーカーレスデータ駆動対応推定を改善する。 我々は、幾何学的制約を終末的に典型的なセグメンテーションベースモデルに組み込み、対象のポーズ推定タスクと中間密な分類タスクをブリッジする。 実験により,マーカーベースの手法で同様の結果が得られ,マーカーレス手法よりも優れ,またキャリブレーション構造のポーズ変動にも頑健であることがわかった。
  論文  参考訳（メタデータ） (2020-03-23T10:51:32Z)

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。