論文の概要: Investigation of the Challenges of Underwater-Visual-Monocular-SLAM
- arxiv url: http://arxiv.org/abs/2306.08738v1
- Date: Wed, 14 Jun 2023 20:44:40 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-16 17:20:53.299459
- Title: Investigation of the Challenges of Underwater-Visual-Monocular-SLAM
- Title(参考訳): 水中モノクロSLAMの課題の検討
- Authors: Michele Grimaldi, David Nakath, Mengkun She, Kevin K\"oser
- Abstract要約: 本研究では,水中ロボットにおける単眼視覚同時位置決め法とマッピング法(vSLAM)の課題について検討する。
まず, 水中環境において, 水中環境における性能の低下を示すとともに, 水中環境における性能の低下を示す。
本研究の最終目標は,これらの条件下でのSLAM法の精度とロバスト性を向上させる技術を明らかにすることである。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we present a comprehensive investigation of the challenges of
Monocular Visual Simultaneous Localization and Mapping (vSLAM) methods for
underwater robots. While significant progress has been made in state estimation
methods that utilize visual data in the past decade, most evaluations have been
limited to controlled indoor and urban environments, where impressive
performance was demonstrated. However, these techniques have not been
extensively tested in extremely challenging conditions, such as underwater
scenarios where factors such as water and light conditions, robot path, and
depth can greatly impact algorithm performance. Hence, our evaluation is
conducted in real-world AUV scenarios as well as laboratory settings which
provide precise external reference. A focus is laid on understanding the impact
of environmental conditions, such as optical properties of the water and
illumination scenarios, on the performance of monocular vSLAM methods. To this
end, we first show that all methods perform very well in in-air settings and
subsequently show the degradation of their performance in challenging
underwater environments. The final goal of this study is to identify techniques
that can improve accuracy and robustness of SLAM methods in such conditions. To
achieve this goal, we investigate the potential of image enhancement techniques
to improve the quality of input images used by the SLAM methods, specifically
in low visibility and extreme lighting scenarios in scattering media. We
present a first evaluation on calibration maneuvers and simple image
restoration techniques to determine their ability to enable or enhance the
performance of monocular SLAM methods in underwater environments.
- Abstract(参考訳): 本稿では,水中ロボットにおける単眼視覚同時配置マッピング法(vSLAM)の課題について,包括的に検討する。
過去10年間、視覚データを利用する状態推定手法では大きな進歩を遂げてきたが、ほとんどの評価は、印象的な性能を示す屋内および都市環境の制御に限定されている。
しかし、水や光の条件、ロボットの経路、深さなどの要因がアルゴリズムの性能に大きな影響を及ぼす水中シナリオのような、非常に困難な環境では、これらの手法は広くテストされていない。
そこで,実世界のAUVシナリオと,正確な外部参照を提供する実験室設定で評価を行った。
水の光学特性や照明シナリオなどの環境条件が単眼vslam法の性能に与える影響を理解することに焦点が当てられている。
この目的を達成するために,まず,水中環境におけるすべての手法の動作が良好であることを示し,次いで水中環境における性能の低下を示す。
本研究の最終目標は,これらの条件下でのSLAM法の精度とロバスト性を向上させる技術を明らかにすることである。
この目的を達成するために,slam法で使用される入力画像の品質向上,特に散乱媒体の視認性および極端な照明シナリオにおける画像強調技術の可能性について検討する。
本研究では,水中環境下での単分子SLAM法の性能向上を図るため,キャリブレーション操作と簡単な画像復元技術に関する最初の評価を行った。
関連論文リスト
- Improving the perception of visual fiducial markers in the field using Adaptive Active Exposure Control [8.928513884805097]
本稿では、画像取得時のシャープ照明変動に対処するための勾配型アクティブカメラ露光制御手法を提案する。
視覚タグを用いた水中操作の典型的なシナリオを考慮し,本手法と他の最先端露光制御法との比較実験を行った。
その結果,ロボットの局所化精度は有意に向上した。
論文 参考訳(メタデータ) (2024-04-18T10:10:56Z) - An Efficient Detection and Control System for Underwater Docking using
Machine Learning and Realistic Simulation: A Comprehensive Approach [5.039813366558306]
この研究は、水中ドッキングの検出と分類を行うために異なるディープラーニングアーキテクチャと比較する。
GAN(Generative Adversarial Network)は画像から画像への変換に用いられ、ガゼボのシミュレーション画像を水中画像に変換する。
その結果,水中の潮流によらず,高濁度シナリオでは20%の改善が見られた。
論文 参考訳(メタデータ) (2023-11-02T18:10:20Z) - Improving Underwater Visual Tracking With a Large Scale Dataset and
Image Enhancement [70.2429155741593]
本稿では,水中ビジュアルオブジェクト追跡(UVOT)のための新しいデータセットと汎用トラッカ拡張手法を提案する。
水中環境は、一様でない照明条件、視界の低さ、鋭さの欠如、コントラストの低さ、カモフラージュ、懸濁粒子からの反射を示す。
本研究では,追尾品質の向上に特化して設計された水中画像強調アルゴリズムを提案する。
この手法により、最先端(SOTA)ビジュアルトラッカーの最大5.0%のAUCの性能が向上した。
論文 参考訳(メタデータ) (2023-08-30T07:41:26Z) - WaterFlow: Heuristic Normalizing Flow for Underwater Image Enhancement
and Beyond [52.27796682972484]
既存の水中画像強調法は, 画像品質の向上に重点を置いており, 実践への影響を無視している。
本稿では,検出駆動型水中画像強調のための正規化フローであるWaterFlowを提案する。
微分可能性や解釈可能性を考慮すると、事前をデータ駆動マッピング手法に組み込む。
論文 参考訳(メタデータ) (2023-08-02T04:17:35Z) - PUGAN: Physical Model-Guided Underwater Image Enhancement Using GAN with
Dual-Discriminators [120.06891448820447]
鮮明で視覚的に快適な画像を得る方法は、人々の共通の関心事となっている。
水中画像強調(UIE)の課題も、時間とともに現れた。
本稿では,UIE のための物理モデル誘導型 GAN モデルを提案する。
我々のPUGANは質的および定量的な測定値において最先端の手法より優れています。
論文 参考訳(メタデータ) (2023-06-15T07:41:12Z) - Optical Flow for Autonomous Driving: Applications, Challenges and
Improvements [0.9023847175654602]
学習に基づく光フローアルゴリズムを改善するためのトレーニング戦略を提案し,評価する。
合成データを訓練しながら、このモデルは現実世界の魚眼データに一般化する強力な能力を示す。
低光域における既存手法の性能を大幅に向上させる,新しい汎用的な半教師付きフレームワークを提案する。
論文 参考訳(メタデータ) (2023-01-11T12:01:42Z) - 6D Camera Relocalization in Visually Ambiguous Extreme Environments [79.68352435957266]
本研究では,深海や地球外地形などの極端な環境下で得られた画像の列から,カメラのポーズを確実に推定する手法を提案する。
本手法は,室内ベンチマーク (7-Scenes データセット) における最先端手法と同等の性能を20%のトレーニングデータで達成する。
論文 参考訳(メタデータ) (2022-07-13T16:40:02Z) - Wild ToFu: Improving Range and Quality of Indirect Time-of-Flight Depth
with RGB Fusion in Challenging Environments [56.306567220448684]
本稿では,ノイズの多い生のI-ToF信号とRGB画像を用いた学習に基づくエンド・ツー・エンドの深度予測ネットワークを提案する。
最終深度マップでは,ベースラインアプローチと比較して40%以上のRMSE改善が見られた。
論文 参考訳(メタデータ) (2021-12-07T15:04:14Z) - Underwater image filtering: methods, datasets and evaluation [44.933577173776705]
水中画像フィルタリング法の設計原理を概観する。
各種水系における画像形成モデルと復元方法の結果について検討する。
ニューラルネットワークのトレーニングや手法評価のためのタスク依存型強化手法とデータセットを提案する。
論文 参考訳(メタデータ) (2020-12-22T18:56:39Z) - Deep Bilateral Retinex for Low-Light Image Enhancement [96.15991198417552]
低照度画像は、低コントラスト、色歪み、測定ノイズによる視界の低下に悩まされる。
本稿では,低照度画像強調のための深層学習手法を提案する。
提案手法は最先端の手法と非常に競合し, 極めて低照度で撮影した画像の処理において, 他に比べて大きな優位性を有する。
論文 参考訳(メタデータ) (2020-07-04T06:26:44Z) - Domain Adaptive Adversarial Learning Based on Physics Model Feedback for
Underwater Image Enhancement [10.143025577499039]
物理モデルに基づくフィードバック制御と,水中画像の高機能化のための領域適応機構を用いた,新しい頑健な対角学習フレームワークを提案する。
水中画像形成モデルを用いてRGB-Dデータから水中訓練データセットをシミュレーションする新しい手法を提案する。
合成および実水中画像の最終的な改良結果は,提案手法の優位性を示している。
論文 参考訳(メタデータ) (2020-02-20T07:50:00Z)
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。