論文の概要: Faster Optimization in S-Graphs Exploiting Hierarchy

• arxiv url: http://arxiv.org/abs/2308.11242v1
• Date: Tue, 22 Aug 2023 07:35:15 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-23 13:36:25.669358
• Title: Faster Optimization in S-Graphs Exploiting Hierarchy
• Title（参考訳）: 階層を爆発させるSグラフの高速最適化
• Authors: Hriday Bavle, Jose Luis Sanchez-Lopez, Javier Civera, Holger Voos
• Abstract要約: 冗長なロボットのポーズを余剰にすることでグラフサイズを削減するため,階層構造を利用したSグラフの改良版を提案する。 ベースラインに対する計算時間を39.81%削減しながら,ベースラインと同等の精度を示す。
• 参考スコア（独自算出の注目度）: 8.17925295907622
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: 3D scene graphs hierarchically represent the environment appropriately organizing different environmental entities in various layers. Our previous work on situational graphs extends the concept of 3D scene graph to SLAM by tightly coupling the robot poses with the scene graph entities, achieving state-of-the-art results. Though, one of the limitations of S-Graphs is scalability in really large environments due to the increased graph size over time, increasing the computational complexity. To overcome this limitation in this work we present an initial research of an improved version of S-Graphs exploiting the hierarchy to reduce the graph size by marginalizing redundant robot poses and their connections to the observations of the same structural entities. Firstly, we propose the generation and optimization of room-local graphs encompassing all graph entities within a room-like structure. These room-local graphs are used to compress the S-Graphs marginalizing the redundant robot keyframes within the given room. We then perform windowed local optimization of the compressed graph at regular time-distance intervals. A global optimization of the compressed graph is performed every time a loop closure is detected. We show similar accuracy compared to the baseline while showing a 39.81% reduction in the computation time with respect to the baseline.
• Abstract（参考訳）: 3次元シーングラフは、様々な層に異なる環境エンティティを適切に整理する環境を階層的に表現する。 状況グラフに関するこれまでの研究は、3Dシーングラフの概念をSLAMに拡張し、ロボットのポーズをシーングラフエンティティと密結合させ、最先端の結果を得る。 しかし、Sグラフの限界の1つは、時間とともにグラフのサイズが増大し、計算の複雑さが増大するため、本当に大きな環境におけるスケーラビリティである。 本研究では,この制限を克服するために,冗長なロボットのポーズと同一構造体の観察との関係を疎外することにより,グラフサイズを小さくするため,階層構造を利用したSグラフの改良版を最初に提案する。 まず,部屋構造内のすべてのグラフエンティティを包含するルームローカルグラフの生成と最適化を提案する。 これらの部屋局所グラフは、部屋内の冗長なロボットキーフレームを疎外するSグラフを圧縮するために使用される。 次に,一定時間間隔で圧縮グラフの窓付き局所最適化を行う。 ループクロージャが検出される度に圧縮グラフのグローバル最適化を行う。 ベースラインに対する計算時間を39.81%削減しながら,ベースラインと同等の精度を示す。

関連論文リスト

• CoRe-GD: A Hierarchical Framework for Scalable Graph Visualization with GNNs [20.706469085872516]
  我々は、ストレスの最適化を学習できるサブクワッドラティックを備えたスケーラブルなグラフニューラルネットワーク(GNN)ベースのグラフ描画フレームワークを導入する。 古典的応力最適化手法と強制指向レイアウトアルゴリズムに着想を得て,入力グラフの粗い階層を生成する。 ネットワーク内の情報伝達を強化するために,新しい位置変換手法を提案する。
  論文  参考訳（メタデータ） (2024-02-09T10:50:45Z)
• Graph Transformers for Large Graphs [57.19338459218758]
  この研究は、モデルの特徴と重要な設計制約を識別することに焦点を当てた、単一の大規模グラフでの表現学習を前進させる。 この研究の重要な革新は、局所的な注意機構と組み合わされた高速な近傍サンプリング技術の作成である。 ogbn-products と snap-patents の3倍の高速化と16.8%の性能向上を報告し、ogbn-100M で LargeGT を5.9% の性能改善で拡張した。
  論文  参考訳（メタデータ） (2023-12-18T11:19:23Z)
• Structure-free Graph Condensation: From Large-scale Graphs to Condensed Graph-free Data [91.27527985415007]
  既存のグラフ凝縮法は、凝縮グラフ内のノードと構造の合同最適化に依存している。 我々は、大規模グラフを小さなグラフノード集合に蒸留する、SFGCと呼ばれる新しい構造自由グラフ凝縮パラダイムを提唱する。
  論文  参考訳（メタデータ） (2023-06-05T07:53:52Z)
• Distributed Graph Embedding with Information-Oriented Random Walks [16.290803469068145]
  グラフ埋め込みはグラフノードを低次元ベクトルにマッピングし、機械学習タスクで広く採用されている。 数十億のエッジグラフを埋め込むためにスケール可能な,汎用的で分散された情報中心のランダムウォークベースのグラフ埋め込みフレームワークであるDistGERを提案する。 D DistGERは2.33x-129x加速、機械間通信の45%削減、下流タスクの10%改善を示す。
  論文  参考訳（メタデータ） (2023-03-28T03:11:21Z)
• Graph-based Global Robot Localization Informing Situational Graphs with Architectural Graphs [8.514420632209811]
  建物の計画図を建築図(A-Graph)と表現するものに変換する手法を開発する。 ロボットが環境内で動き始めると、その環境について何も知らないと仮定し、その環境のオンライン状況グラフ表現(S-Graph)を推定する。 本研究では,ロボットセンサから推定したSグラフと建築計画から抽出したAグラフを関連付けるために,新しいグラフ間マッチング法を開発した。
  論文  参考訳（メタデータ） (2023-03-03T16:48:38Z)
• S-Graphs+: Real-time Localization and Mapping leveraging Hierarchical Representations [9.13466172688693]
  S-Graphs+は,(1)ロボットのポーズを推定したポーズ層,(2)壁面を表す壁層,(3)壁面の集合を含む部屋層,(4)部屋を所定の階内に集める床層を含む,新しい4層係数グラフである。 上記のグラフは、ロボットのポーズとそのマップの堅牢で正確な推定値を得るために、リアルタイムで最適化され、同時に環境の高レベル情報を構築し、活用する。
  論文  参考訳（メタデータ） (2022-12-22T15:06:21Z)
• Advanced Situational Graphs for Robot Navigation in Structured Indoor Environments [9.13466172688693]
  本稿では,5層最適化可能なグラフからなる状況グラフ(S-Graphs+)の高度なバージョンを提案する。 S-Graphs+は、効率よく部屋情報を抽出するS-Graphsよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2022-11-16T08:30:05Z)
• E-Graph: Minimal Solution for Rigid Rotation with Extensibility Graphs [61.552125054227595]
  重なり合う領域を持たない2つの画像間の相対的な回転推定を解くために,新しい最小解を提案する。 E-Graphに基づいて、回転推定問題はより単純でエレガントになる。 回転推定戦略を6-DoFカメラのポーズと高密度3Dメッシュモデルを得る完全カメラ追跡マッピングシステムに組み込む。
  論文  参考訳（メタデータ） (2022-07-20T16:11:48Z)
• Scaling R-GCN Training with Graph Summarization [71.06855946732296]
  リレーショナルグラフ畳み込みネットワーク(R-GCN)のトレーニングは、グラフのサイズに合わない。 本研究では,グラフの要約手法を用いてグラフを圧縮する実験を行った。 AIFB, MUTAG, AMデータセットについて妥当な結果を得た。
  論文  参考訳（メタデータ） (2022-03-05T00:28:43Z)
• GraphDCA -- a Framework for Node Distribution Comparison in Real and Synthetic Graphs [72.51835626235368]
  2つのグラフを比較するとき、ノード構造的特徴の分布は、グローバルグラフ統計よりも有益である、と我々は主張する。 本稿では,各ノード表現セットのアライメントに基づいてグラフ間の類似性を評価するフレームワークGraphDCAを提案する。
  論文  参考訳（メタデータ） (2022-02-08T14:19:19Z)
• Towards Graph Self-Supervised Learning with Contrastive Adjusted Zooming [48.99614465020678]
  本稿では,グラフコントラスト適応ズームによる自己教師付きグラフ表現学習アルゴリズムを提案する。 このメカニズムにより、G-Zoomはグラフから複数のスケールから自己超越信号を探索して抽出することができる。 我々は,実世界のデータセットに関する広範な実験を行い,提案したモデルが常に最先端の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2021-11-20T22:45:53Z)

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。