論文の概要: Fast and Accurate Deep Loop Closing and Relocalization for Reliable LiDAR SLAM

• arxiv url: http://arxiv.org/abs/2309.08086v1
• Date: Fri, 15 Sep 2023 00:59:31 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-18 16:24:38.820242
• Title: Fast and Accurate Deep Loop Closing and Relocalization for Reliable LiDAR SLAM
• Title（参考訳）: 信頼性LiDAR SLAMの高速かつ高精度な深部ループ閉鎖と再局在
• Authors: Chenghao Shi, Xieyuanli Chen, Junhao Xiao, Bin Dai, Huimin Lu
• Abstract要約: 両課題に効果的に取り組むために,新しいマルチヘッドネットワークLCR-Netを提案する。 特徴抽出とポーズ対応アテンション機構を利用して、類似性とLiDARスキャン間の6-DoFのポーズを正確に推定する。 最終的に、LCR-NetをSLAMシステムに統合し、屋外運転環境におけるロバストで正確なLiDAR SLAMを実現する。
• 参考スコア（独自算出の注目度）: 9.663257536639504
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Loop closing and relocalization are crucial techniques to establish reliable and robust long-term SLAM by addressing pose estimation drift and degeneration. This article begins by formulating loop closing and relocalization within a unified framework. Then, we propose a novel multi-head network LCR-Net to tackle both tasks effectively. It exploits novel feature extraction and pose-aware attention mechanism to precisely estimate similarities and 6-DoF poses between pairs of LiDAR scans. In the end, we integrate our LCR-Net into a SLAM system and achieve robust and accurate online LiDAR SLAM in outdoor driving environments. We thoroughly evaluate our LCR-Net through three setups derived from loop closing and relocalization, including candidate retrieval, closed-loop point cloud registration, and continuous relocalization using multiple datasets. The results demonstrate that LCR-Net excels in all three tasks, surpassing the state-of-the-art methods and exhibiting a remarkable generalization ability. Notably, our LCR-Net outperforms baseline methods without using a time-consuming robust pose estimator, rendering it suitable for online SLAM applications. To our best knowledge, the integration of LCR-Net yields the first LiDAR SLAM with the capability of deep loop closing and relocalization. The implementation of our methods will be made open-source.
• Abstract（参考訳）: ループの閉鎖と再局在化は,ポーズ推定ドリフトとデジェネレーションに対応することによって,信頼性とロバストな長期スラムを確立する上で重要な技術である。 この記事では、統一フレームワーク内でループのクローズと再ローカライズを定式化することから始まる。 そこで我々は,両課題に効果的に取り組むために,新しいマルチヘッドネットワークLCR-Netを提案する。 特徴抽出とポーズ対応アテンション機構を利用して、類似性とLiDARスキャン間の6-DoFポーズを正確に推定する。 最後に、LCR-NetをSLAMシステムに統合し、屋外運転環境における堅牢で正確なLiDAR SLAMを実現する。 我々は,ループ閉鎖と再ローカライゼーションから導かれる3つのセットアップ,候補検索,閉ループ点クラウド登録,複数データセットを用いた継続的再ローカライゼーションなどを通じて,LCR-Netを徹底的に評価した。 その結果、LCR-Netは3つのタスク全てに優れ、最先端の手法を超越し、顕著な一般化能力を示した。 特に,我々のLCR-Netは,時間を要するロバストポーズ推定器を使わずに,ベースライン手法より優れており,オンラインSLAMアプリケーションに適している。 我々の知る限り、LCR-Netの統合は、深いループ閉鎖と再局在の能力を備えた最初のLiDAR SLAMをもたらす。 私たちのメソッドの実装はオープンソースにします。

関連論文リスト

• Attention in Large Language Models Yields Efficient Zero-Shot Re-Rankers [7.6245627565464]
  大規模言語モデル(LLM)は、赤外線システムにおいてゼロショットの再ランク付けに人気がある。 本稿では,検索クエリによる注目パターンの変化を利用した,高精度かつ効率的な再ランク付け手法であるin-context re- rank (ICR)を提案する。 本研究は,テキスト生成を超越したオープンウェイトLCMの新たな利用方法を探究することを目的とする。
  論文  参考訳（メタデータ） (2024-10-03T16:25:37Z)
• Efficient and Deployable Knowledge Infusion for Open-World Recommendations via Large Language Models [53.547190001324665]
  大規模言語モデル(LLM)からユーザとアイテムに関する2種類の外部知識を取得するためのREKIを提案する。 個別の知識抽出と個別の知識抽出を,異なるシナリオのスケールに合わせて開発し,オフラインのリソース消費を効果的に削減する。 実験によると、REKIは最先端のベースラインより優れており、多くの推奨アルゴリズムやタスクと互換性がある。
  論文  参考訳（メタデータ） (2024-08-20T03:45:24Z)
• Event-Triggered Reinforcement Learning Based Joint Resource Allocation for Ultra-Reliable Low-Latency V2X Communications [10.914558012458425]
  6G対応車載ネットワークは、安全クリティカルな情報をタイムリーに提供するための低遅延通信(URLLC)を確保するという課題に直面している。 車両間通信システム(V2X)の従来のリソース割り当てスキームは、従来の復号法に基づくアルゴリズムに依存している。
  論文  参考訳（メタデータ） (2024-07-18T23:55:07Z)
• How Can LLM Guide RL? A Value-Based Approach [68.55316627400683]
  強化学習(Reinforcement Learning, RL)は、将来の行動方針をフィードバックで改善することにより、シーケンシャルな意思決定問題の事実上の標準的実践となった。 大規模言語モデル(LLM)の最近の発展は、言語理解と生成において印象的な能力を示したが、探索と自己改善能力に欠けていた。 我々はLINVITというアルゴリズムを開発し、LLMガイダンスを値ベースRLの正規化因子として組み込んで学習に必要なデータ量を大幅に削減する。
  論文  参考訳（メタデータ） (2024-02-25T20:07:13Z)
• Maximize to Explore: One Objective Function Fusing Estimation, Planning, and Exploration [87.53543137162488]
  我々はtextttMEX というオンライン強化学習(オンラインRL)フレームワークを提案する。 textttMEXは、自動的に探索エクスプロイトのバランスをとりながら、見積もりと計画コンポーネントを統合する。 様々な MuJoCo 環境では,ベースラインを安定的なマージンで上回り,十分な報酬を得られる。
  論文  参考訳（メタデータ） (2023-05-29T17:25:26Z)
• End-To-End Optimization of LiDAR Beam Configuration for 3D Object Detection and Localization [87.56144220508587]
  与えられたアプリケーションに対するLiDARビーム構成の最適化を学ぶために、新しい経路を取る。 ビーム構成を自動的に最適化する強化学習に基づく学習最適化フレームワークを提案する。 本手法は低解像度(低コスト)のLiDARが必要な場合に特に有用である。
  論文  参考訳（メタデータ） (2022-01-11T09:46:31Z)
• Loop closure detection using local 3D deep descriptors [22.93552565583209]
  局所3次元深部記述子(L3D)を用いた同時局所化・マッピングにおけるループ閉鎖検出手法を提案する。 本稿では,互いにアレスト近傍の記述子に対応する点間の距離誤差を計算し,ループ検出のための新しい重なり測定手法を提案する。 この手法により,ループを正確に検出し,重なりが小さければ6自由度ポーズを推定できる。
  論文  参考訳（メタデータ） (2021-10-31T09:18:38Z)
• LCDNet: Deep Loop Closure Detection for LiDAR SLAM based on Unbalanced Optimal Transport [8.21384946488751]
  LiDAR ポイント クラウドのループ クロージャを効果的に検出する新しい LCDNet を紹介します。 LCDNetは、共有エンコーダ、グローバルディスクリプタを抽出する場所認識ヘッド、および2つの点雲間の変換を推定する相対ポーズヘッドで構成されています。 私たちのアプローチは、逆ループを扱う場合でも、最先端の技術を大きなマージンで上回る。
  論文  参考訳（メタデータ） (2021-03-08T20:19:37Z)
• Critic Regularized Regression [70.8487887738354]
  批判正規化回帰(CRR)形式を用いてデータからポリシーを学習するための新しいオフラインRLアルゴリズムを提案する。 CRRは驚くほどよく動作し、高次元の状態と行動空間を持つタスクにスケールする。
  論文  参考訳（メタデータ） (2020-06-26T17:50:26Z)
• Continual Learning in Recurrent Neural Networks [67.05499844830231]
  リカレントニューラルネットワーク(RNN)を用いた逐次データ処理における連続学習手法の有効性を評価する。 RNNに弾性重み強化などの重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重 そこで本研究では,重み付け手法の性能が処理シーケンスの長さに直接的な影響を受けず,むしろ高動作メモリ要求の影響を受けていることを示す。
  論文  参考訳（メタデータ） (2020-06-22T10:05:12Z)
• Online LiDAR-SLAM for Legged Robots with Robust Registration and Deep-Learned Loop Closure [7.861777781616249]
  本稿では,最先端の深い特徴に基づくループ閉包検出器を組み込んだ因子グラフLiDAR-SLAMシステムを提案する。 本システムは,LiDARセンサのみを使用し,四足歩行ロボットのナビゲーションPC上で動作させるために開発された。
  論文  参考訳（メタデータ） (2020-01-28T10:30:20Z)

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。