論文の概要: DELO: Deep Evidential LiDAR Odometry using Partial Optimal Transport

• arxiv url: http://arxiv.org/abs/2308.07153v1
• Date: Mon, 14 Aug 2023 14:06:21 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-15 13:08:19.066342
• Title: DELO: Deep Evidential LiDAR Odometry using Partial Optimal Transport
• Title（参考訳）: DELO:部分最適輸送を用いた深部エビデンシャルLiDARオドメトリー
• Authors: Sk Aziz Ali, Djamila Aouada, Gerd Reis, Didier Stricker
• Abstract要約: リアルタイムLiDARベースのオドメトリーは、ロボットナビゲーション、一貫した3Dシーンマップの再構築、安全なモーションプランニングなど、多くのアプリケーションに必須である。 本稿では,フレーム間の正確な対応とモデルの予測不確実性(PU)を共同で学習し,LO予測を安全に保護するための証拠として,新しいディープラーニングベースのリアルタイム(約35～40ms/fps/fps/fps/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s /s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s 提案手法をKITTIデータセット上で評価し,最近の最先端手法よりも優れた一般化能力を有する競争性能を示す。
• 参考スコア（独自算出の注目度）: 23.189529003370303
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate, robust, and real-time LiDAR-based odometry (LO) is imperative for many applications like robot navigation, globally consistent 3D scene map reconstruction, or safe motion-planning. Though LiDAR sensor is known for its precise range measurement, the non-uniform and uncertain point sampling density induce structural inconsistencies. Hence, existing supervised and unsupervised point set registration methods fail to establish one-to-one matching correspondences between LiDAR frames. We introduce a novel deep learning-based real-time (approx. 35-40ms per frame) LO method that jointly learns accurate frame-to-frame correspondences and model's predictive uncertainty (PU) as evidence to safe-guard LO predictions. In this work, we propose (i) partial optimal transportation of LiDAR feature descriptor for robust LO estimation, (ii) joint learning of predictive uncertainty while learning odometry over driving sequences, and (iii) demonstrate how PU can serve as evidence for necessary pose-graph optimization when LO network is either under or over confident. We evaluate our method on KITTI dataset and show competitive performance, even superior generalization ability over recent state-of-the-art approaches. Source codes are available.
• Abstract（参考訳）: 正確な、堅牢で、リアルタイムなLiDARベースのオドメトリー(LO)は、ロボットナビゲーション、グローバルに一貫した3Dシーンマップの再構築、安全なモーションプランニングなど、多くのアプリケーションに必須である。 LiDARセンサはその正確な距離測定で知られているが、不均一で不確実な点サンプリング密度は構造的不整合を引き起こす。 したがって、既存の教師付きおよび教師なしのポイントセット登録法は、LiDARフレーム間の1対1の対応を確立できない。 本稿では,フレーム間対応とモデル予測の不確実性(pu)を共同で学習し,loの予測を安全に保護する新しい深層学習型リアルタイム(フレーム当たり約35～40ms)lo法を提案する。 本研究で提案する 一 頑健なLO推定のためのLiDAR特徴記述子の部分的最適輸送 (ii)運転系列に対するオドメトリー学習における予測不確かさの合同学習 三 LOネットワークが下か過大かの場合に、PUが必要なポーズグラフ最適化の証拠となることを実証する。 提案手法をKITTIデータセット上で評価し,最近の最先端手法よりも優れた一般化能力を示す。 ソースコードは利用可能である。

関連論文リスト

• OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
  学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。 OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。 最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
  論文  参考訳（メタデータ） (2024-09-14T07:44:22Z)
• Improved LiDAR Odometry and Mapping using Deep Semantic Segmentation and Novel Outliers Detection [1.0334138809056097]
  高速移動プラットフォームのためのLOAMアーキテクチャに基づくリアルタイムLiDARオドメトリーとマッピングのための新しいフレームワークを提案する。 本フレームワークは,ディープラーニングモデルによって生成された意味情報を用いて,ポイント・ツー・ラインとポイント・ツー・プレーンのマッチングを改善する。 高速動作に対するLiDARオドメトリーのロバスト性に及ぼすマッチング処理の改善効果について検討した。
  論文  参考訳（メタデータ） (2024-03-05T16:53:24Z)
• Discriminant Distance-Aware Representation on Deterministic Uncertainty Quantification Methods [2.309984352134254]
  我々は、識別距離認識表現(DDAR)と呼ばれる、決定論的不確実性推定の新しい、効率的な方法を提案する。 DDARは、最適なトレーニング可能なプロトタイプよりも識別層を利用することで、識別可能な距離認識表現を学習することができる。 実験の結果,DDARは柔軟かつアーキテクチャに依存しない手法であり,距離依存性の指標を持つプラグ可能な層として容易に統合できることが判明した。
  論文  参考訳（メタデータ） (2024-02-20T02:26:48Z)
• Traj-LO: In Defense of LiDAR-Only Odometry Using an Effective Continuous-Time Trajectory [20.452961476175812]
  本文では,LiDARのみのオドメトリーを連続的視点で検討する。 提案するTraj-LOアプローチは,LiDARの空間的・時間的一貫した動きを回復しようとする。 私たちの実装はGitHubでオープンソース化されています。
  論文  参考訳（メタデータ） (2023-09-25T03:05:06Z)
• Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
  本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。 提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。 実世界のデータセットの実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-09-21T15:00:31Z)
• ICET Online Accuracy Characterization for Geometry-Based Laser Scan Matching [0.0]
  Iterative Closest Ellipsoidal Transform (ICET)は、新しい3D LIDARスキャンマッチングアルゴリズムである。 ICETは、常にサブセンチメートルの精度でスキャンマッチングを行うことを示す。 このレベルの精度は、アルゴリズムが完全に解釈可能であるという事実と相まって、安全クリティカルな輸送用途に適している。
  論文  参考訳（メタデータ） (2023-06-14T18:21:45Z)
• GLENet: Boosting 3D Object Detectors with Generative Label Uncertainty Estimation [70.75100533512021]
  本稿では,対象物の潜在的可算有界箱の多様性として,ラベルの不確実性問題を定式化する。 本稿では,条件付き変分オートエンコーダを応用した生成フレームワークであるGLENetを提案する。 GLENetが生成するラベルの不確実性はプラグアンドプレイモジュールであり、既存のディープ3D検出器に便利に統合することができる。
  論文  参考訳（メタデータ） (2022-07-06T06:26:17Z)
• Robust Self-Supervised LiDAR Odometry via Representative Structure Discovery and 3D Inherent Error Modeling [67.75095378830694]
  そこで我々は,2段階のオドメトリ推定ネットワークを構築し,一連の部分領域変換を推定してエゴモーメントを求める。 本稿では,トレーニング,推論,マッピングフェーズにおける信頼できない構造の影響を軽減することを目的とする。 我々の2フレームのオードメトリーは、翻訳/回転誤差の点で、過去の芸術の状態を16%/12%上回っている。
  論文  参考訳（メタデータ） (2022-02-27T12:52:27Z)
• PDC-Net+: Enhanced Probabilistic Dense Correspondence Network [161.76275845530964]
  高度確率密度対応ネットワーク(PDC-Net+)は、精度の高い高密度対応を推定できる。 我々は、堅牢で一般化可能な不確実性予測に適したアーキテクチャと強化されたトレーニング戦略を開発する。 提案手法は,複数の挑戦的幾何マッチングと光学的フローデータセットに対して,最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-09-28T17:56:41Z)
• Efficient and Robust LiDAR-Based End-to-End Navigation [132.52661670308606]
  我々は,LiDARをベースとした効率的なエンドツーエンドナビゲーションフレームワークを提案する。 本稿では,スパース畳み込みカーネル最適化とハードウェア対応モデル設計に基づくFast-LiDARNetを提案する。 次に,単一の前方通過のみから予測の不確かさを直接推定するハイブリッド・エビデンシャル・フュージョンを提案する。
  論文  参考訳（メタデータ） (2021-05-20T17:52:37Z)

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。