Fugu-MT 論文翻訳(概要): Accurate and Interactive Visual-Inertial Sensor Calibration with Next-Best-View and Next-Best-Trajectory Suggestion

論文の概要: Accurate and Interactive Visual-Inertial Sensor Calibration with Next-Best-View and Next-Best-Trajectory Suggestion

arxiv url: http://arxiv.org/abs/2309.14514v1
Date: Mon, 25 Sep 2023 20:22:16 GMT
ステータス: 処理完了
システム内更新日: 2023-09-27 15:58:16.244449
Title: Accurate and Interactive Visual-Inertial Sensor Calibration with Next-Best-View and Next-Best-Trajectory Suggestion
Title（参考訳）: Next-Best-ViewとNext-Best-Trajectory Suggestionを用いた高精度かつインタラクティブなビジュアル慣性センサキャリブレーション
Authors: Christopher L. Choi, Binbin Xu, and Stefan Leutenegger
Abstract要約: グラフィカルユーザインタフェースと情報理論を用いて,非エキスパートをガイドする新しいVIキャリブレーションパイプラインを提案する。実験を通して、我々の手法は最先端の代替手段よりも速く、より正確で、一貫性があることを示す。
参考スコア（独自算出の注目度）: 12.378135942919922
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Visual-Inertial (VI) sensors are popular in robotics, self-driving vehicles, and augmented and virtual reality applications. In order to use them for any computer vision or state-estimation task, a good calibration is essential. However, collecting informative calibration data in order to render the calibration parameters observable is not trivial for a non-expert. In this work, we introduce a novel VI calibration pipeline that guides a non-expert with the use of a graphical user interface and information theory in collecting informative calibration data with Next-Best-View and Next-Best-Trajectory suggestions to calibrate the intrinsics, extrinsics, and temporal misalignment of a VI sensor. We show through experiments that our method is faster, more accurate, and more consistent than state-of-the-art alternatives. Specifically, we show how calibrations with our proposed method achieve higher accuracy estimation results when used by state-of-the-art VI Odometry as well as VI-SLAM approaches. The source code of our software can be found on: https://github.com/chutsu/yac.
Abstract（参考訳）: Visual-Inertial (VI)センサーは、ロボット工学、自動運転車、拡張現実および仮想現実アプリケーションで人気がある。コンピュータビジョンや状態推定タスクに使用するためには、適切な校正が必要である。しかし、キャリブレーションパラメータを観測可能なものにするために情報キャリブレーションデータを集めることは、非専門家にとって容易ではない。本研究では,VVIセンサの内在性,外在性,時間的ずれを校正するためのNext-Best-ViewとNext-Best-Trajectoryによる情報キャリブレーションデータ収集において,グラフィカルユーザインタフェースと情報理論を用いて非専門家を誘導する新しいVIキャリブレーションパイプラインを提案する。実験を通して,本手法は最先端の代替手法よりも高速で精度が高く,一貫性が高いことを示す。具体的には,現状のVIオドメトリーとVI-SLAMを用いた場合のキャリブレーションにより,精度の高い推定結果が得られることを示す。私たちのソフトウェアのソースコードは以下の通りです。

関連論文リスト

UniCal: Unified Neural Sensor Calibration [32.7372115947273]
自動運転車(SDV)には、LiDARとカメラの正確な校正が必要である。従来のキャリブレーション手法では、制御され構造化されたシーンでキャプチャされたフィデューシャルを利用し、処理を最適化するために対応を計算する。我々は、複数のLiDARとカメラを備えたSDVを強制的に校正する統合フレームワークUniCalを提案する。
論文参考訳（メタデータ） (2024-09-27T17:56:04Z)
From Chaos to Calibration: A Geometric Mutual Information Approach to Target-Free Camera LiDAR Extrinsic Calibration [4.378156825150505]
そこで本研究では,根拠となる真理学習データを必要としない目標外キャリブレーションアルゴリズムを提案する。我々は,KITTI と KITTI-360 の魚眼データセットを用いた改良を行った。
論文参考訳（メタデータ） (2023-11-03T13:30:31Z)
Bridging Precision and Confidence: A Train-Time Loss for Calibrating Object Detection [58.789823426981044]
本稿では,境界ボックスのクラス信頼度を予測精度に合わせることを目的とした,新たな補助損失定式化を提案する。その結果,列車の走行時間損失はキャリブレーション基準を超過し,キャリブレーション誤差を低減させることがわかった。
論文参考訳（メタデータ） (2023-03-25T08:56:21Z)
MOISST: Multimodal Optimization of Implicit Scene for SpatioTemporal calibration [4.405687114738899]
コンピュータグラフィックスと暗黙のボリュームシーン表現の最近の進歩を利用して、マルチセンサ空間と時間的キャリブレーションの問題に取り組む。本手法は,非制御・非構造都市環境におけるデータからの高精度でロバストなキャリブレーションを可能にする。本研究では,都市部における自律走行シナリオにおける手法の精度とロバスト性を実証する。
論文参考訳（メタデータ） (2023-03-06T11:59:13Z)
Learning to Simulate Realistic LiDARs [66.7519667383175]
リアルLiDARセンサのデータ駆動シミュレーションのためのパイプラインを提案する。本モデルでは, 透明表面上の落下点などの現実的な効果を符号化できることが示される。我々は2つの異なるLiDARセンサのモデルを学習し、それに従ってシミュレーションされたLiDARデータを改善する。
論文参考訳（メタデータ） (2022-09-22T13:12:54Z)
Unified Data Collection for Visual-Inertial Calibration via Deep Reinforcement Learning [24.999540933593273]
本研究では,ロボットアーム上で自動データ収集を行う動作ポリシーを学習するための新しい定式化を提案する。本手法はモデルフリー深部強化学習を用いてキャリブレーション過程をコンパクトにモデル化する。シミュレーションでは、手作りのポリシーよりも10倍速くキャリブレーションを実行できます。
論文参考訳（メタデータ） (2021-09-30T10:03:56Z)
On the Dark Side of Calibration for Modern Neural Networks [65.83956184145477]
予測キャリブレーション誤差(ECE)を予測信頼度と改善度に分解する。正規化に基づくキャリブレーションは、モデルの信頼性を損なうことのみに焦点を当てる。ラベルの平滑化やミキサアップなど,多くのキャリブレーション手法により,DNNの精度を低下させることで,DNNの有用性を低下させることがわかった。
論文参考訳（メタデータ） (2021-06-17T11:04:14Z)
Automatic Extrinsic Calibration Method for LiDAR and Camera Sensor Setups [68.8204255655161]
本論文では,LiDAR,単眼,ステレオカメラを含む任意のセンサのパラメータを校正する手法を提案する。提案手法は、通常、車両のセットアップで見られるように、非常に異なる解像度とポーズのデバイスを扱うことができる。
論文参考訳（メタデータ） (2021-01-12T12:02:26Z)
Uncertainty Quantification and Deep Ensembles [79.4957965474334]
ディープアンサンブルが必ずしもキャリブレーション特性の改善につながるとは限らないことを示す。そこで本研究では,混成正規化などの現代的な手法と併用して標準アンサンブル法を用いることで,キャリブレーションの少ないモデルが得られることを示す。このテキストは、データが不足しているときにディープラーニングを活用するために、最も単純で一般的な3つのアプローチの相互作用を調べる。
論文参考訳（メタデータ） (2020-07-17T07:32:24Z)
Simple and Effective VAE Training with Calibrated Decoders [123.08908889310258]
変分オートエンコーダ(VAE)は、複雑な分布をモデル化するための効果的で簡単な方法である。復号分布の不確かさを学習する校正復号器の影響について検討する。本稿では,一般的なガウス復号器の簡易かつ斬新な修正を提案し,その予測分散を解析的に計算する。
論文参考訳（メタデータ） (2020-06-23T17:57:47Z)

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。