論文の概要: Traj-LO: In Defense of LiDAR-Only Odometry Using an Effective Continuous-Time Trajectory

• arxiv url: http://arxiv.org/abs/2309.13842v1
• Date: Mon, 25 Sep 2023 03:05:06 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-26 17:12:17.822855
• Title: Traj-LO: In Defense of LiDAR-Only Odometry Using an Effective Continuous-Time Trajectory
• Title（参考訳）: Traj-LO: 効果的な連続時間軌道を用いたLiDAR専用オドメトリーの防御
• Authors: Xin Zheng, Jianke Zhu
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 20.452961476175812
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: LiDAR Odometry is an essential component in many robotic applications. Unlike the mainstreamed approaches that focus on improving the accuracy by the additional inertial sensors, this letter explores the capability of LiDAR-only odometry through a continuous-time perspective. Firstly, the measurements of LiDAR are regarded as streaming points continuously captured at high frequency. Secondly, the LiDAR movement is parameterized by a simple yet effective continuous-time trajectory. Therefore, our proposed Traj-LO approach tries to recover the spatial-temporal consistent movement of LiDAR by tightly coupling the geometric information from LiDAR points and kinematic constraints from trajectory smoothness. This framework is generalized for different kinds of LiDAR as well as multi-LiDAR systems. Extensive experiments on the public datasets demonstrate the robustness and effectiveness of our proposed LiDAR-only approach, even in scenarios where the kinematic state exceeds the IMU's measuring range. Our implementation is open-sourced on GitHub.
• Abstract（参考訳）: LiDAR Odometryは多くのロボットアプリケーションにおいて重要なコンポーネントである。 慣性センサーの追加による精度向上に重点を置く主流のアプローチとは異なり、このレターでは連続時間の観点からLiDARのみの計測能力について検討する。 第一に、LiDARの測定は、高頻度で連続的に捕捉されるストリーミングポイントと見なされる。 第二に、LiDAR運動は単純だが効果的な連続時間軌道によってパラメータ化される。 そこで,提案したTraj-LO手法は,LiDAR点からの幾何情報と運動制約を軌道の滑らかさから密結合することにより,空間的時間的一貫したLiDARの動きを回復しようとする。 このフレームワークは様々な種類のLiDARとマルチLiDARシステム向けに一般化されている。 提案したLiDARのみのアプローチは,運動状態がIMUの測定範囲を超えた場合においても,その堅牢性と有効性を示す。 私たちの実装はgithubでオープンソースです。

関連論文リスト

• LiVisSfM: Accurate and Robust Structure-from-Motion with LiDAR and Visual Cues [7.911698650147302]
  LiVisSfMは、LiDARとビジュアルキューを完全に組み合わせたSfMベースの再構築システムである。 本稿では,LiDARのフレーム登録を革新的に行うLiDAR-visual SfM法を提案する。
  論文  参考訳（メタデータ） (2024-10-29T16:41:56Z)
• LiDAR-GS:Real-time LiDAR Re-Simulation using Gaussian Splatting [50.808933338389686]
  LiDARシミュレーションは、自動運転におけるクローズドループシミュレーションにおいて重要な役割を果たす。 都市景観におけるLiDARセンサスキャンをリアルタイムに再現するために,最初のLiDARガウス法であるLiDAR-GSを提案する。 我々の手法は、深度、強度、レイドロップチャンネルを同時に再現することに成功し、公開可能な大規模シーンデータセットにおけるフレームレートと品質の両方のレンダリング結果を達成する。
  論文  参考訳（メタデータ） (2024-10-07T15:07:56Z)
• Multi-Modal Data-Efficient 3D Scene Understanding for Autonomous Driving [58.16024314532443]
  我々は、異なるLiDARスキャンからレーザービーム操作を統合するフレームワークであるLaserMix++を導入し、データ効率の学習を支援するためにLiDAR-カメラ対応を組み込んだ。 結果は、LaserMix++が完全に教師付き代替よりも優れており、5倍のアノテーションで同等の精度を実現していることを示している。 この大幅な進歩は、LiDARベースの3Dシーン理解システムにおける広範囲なラベル付きデータへの依存を減らすための半教師付きアプローチの可能性を示している。
  論文  参考訳（メタデータ） (2024-05-08T17:59:53Z)
• DELO: Deep Evidential LiDAR Odometry using Partial Optimal Transport [23.189529003370303]
  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。
  論文  参考訳（メタデータ） (2023-08-14T14:06:21Z)
• Detecting the Anomalies in LiDAR Pointcloud [8.827947115933942]
  逆の気象条件は、LiDARが散乱ノイズ点や異常強度値などの異常なパターンを持つ点雲を発生させる可能性がある。 そこで本研究では,LiDARが点雲特性を解析して異常点雲を発生しているかどうかを検知する手法を提案する。
  論文  参考訳（メタデータ） (2023-07-31T22:53:42Z)
• Boosting 3D Object Detection by Simulating Multimodality on Point Clouds [51.87740119160152]
  本稿では,LiDAR 画像検出器に追従する特徴や応答をシミュレートすることで,単一モダリティ (LiDAR) 3次元物体検出器を高速化する新しい手法を提案する。 このアプローチでは、単一モダリティ検出器をトレーニングする場合のみ、LiDARイメージデータを必要とし、十分にトレーニングされた場合には、推論時にのみLiDARデータが必要である。 nuScenesデータセットの実験結果から,本手法はSOTA LiDARのみの3D検出器よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2022-06-30T01:44:30Z)
• ECTLO: Effective Continuous-time Odometry Using Range Image for LiDAR with Small FoV [20.452961476175812]
  非繰り返し走査パターンを持つリズレープリズムに基づくLiDARに対する実効連続時間LiDARオドメトリー(ECTLO)法を提案する。 効率的な地図表現には、LiDARの小さなFoVの歴史的点をカバーする単一のレンジ画像が採用されている。 プリズムをベースとしたLiDARを走査パターンの異なる様々なテストベッドで実験を行った。
  論文  参考訳（メタデータ） (2022-06-17T02:41:48Z)
• LiDAR Distillation: Bridging the Beam-Induced Domain Gap for 3D Object Detection [96.63947479020631]
  多くの現実世界の応用において、大量生産されたロボットや車両が使用するLiDARポイントは通常、大規模な公開データセットよりもビームが少ない。 異なるLiDARビームによって誘導される領域ギャップをブリッジして3次元物体検出を行うLiDAR蒸留法を提案する。
  論文  参考訳（メタデータ） (2022-03-28T17:59:02Z)
• Learning Moving-Object Tracking with FMCW LiDAR [53.05551269151209]
  新たに開発したLiDARセンサである周波数変調連続波(FMCW)を用いた学習型移動物体追跡手法を提案する。 ラベルが与えられた場合,同じインスタンスから機能を埋め込みスペースにまとめて,異なるインスタンスから機能を分離してトラッキング品質を向上させる,対照的な学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-03-02T09:11:36Z)
• 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)

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。