論文の概要: Unsupervised Change Detection for Space Habitats Using 3D Point Clouds

• arxiv url: http://arxiv.org/abs/2312.02396v3
• Date: Mon, 5 Aug 2024 16:49:51 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-07 00:06:03.758132
• Title: Unsupervised Change Detection for Space Habitats Using 3D Point Clouds
• Title（参考訳）: 3次元点雲を用いた宇宙軌道の教師なし変化検出
• Authors: Jamie Santos, Holly Dinkel, Julia Di, Paulo V. K. Borges, Marina Moreira, Oleg Alexandrov, Brian Coltin, Trey Smith,
• Abstract要約: この研究は、将来の宇宙空間における自律的なロボットケアを可能にするために、点雲からシーン変化を検出するアルゴリズムを提案する。 このアルゴリズムは、NASA Ames Granite LabのAstrobeeロボットが収集したテストデータセットを用いて、定量的かつ質的に検証されている。
• 参考スコア（独自算出の注目度）: 4.642898625014145
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This work presents an algorithm for scene change detection from point clouds to enable autonomous robotic caretaking in future space habitats. Autonomous robotic systems will help maintain future deep-space habitats, such as the Gateway space station, which will be uncrewed for extended periods. Existing scene analysis software used on the International Space Station (ISS) relies on manually-labeled images for detecting changes. In contrast, the algorithm presented in this work uses raw, unlabeled point clouds as inputs. The algorithm first applies modified Expectation-Maximization Gaussian Mixture Model (GMM) clustering to two input point clouds. It then performs change detection by comparing the GMMs using the Earth Mover's Distance. The algorithm is validated quantitatively and qualitatively using a test dataset collected by an Astrobee robot in the NASA Ames Granite Lab comprising single frame depth images taken directly by Astrobee and full-scene reconstructed maps built with RGB-D and pose data from Astrobee. The runtimes of the approach are also analyzed in depth. The source code is publicly released to promote further development.
• Abstract（参考訳）: この研究は、将来の宇宙空間における自律的なロボットケアを可能にするために、点雲からシーン変化を検出するアルゴリズムを提案する。 自律型ロボットシステムは、ゲートウェイ宇宙ステーションのような将来的な深宇宙の居住環境を維持するのに役立つだろう。 国際宇宙ステーション(ISS)で使われている既存のシーン解析ソフトウェアは、手動でラベル付けされた画像を使って変化を検出する。 これとは対照的に、この研究で提示されたアルゴリズムは生の、ラベルなしの点雲を入力として利用する。 このアルゴリズムはまず、2つの入力点クラウドに改良された期待最大化ガウス混合モデル(GMM)クラスタリングを適用する。 次に、Earth Mover's Distanceを用いてGMMを比較して変更検出を行う。 このアルゴリズムは、NASA Ames Granite LabのAstrobeeロボットが収集したテストデータセットを用いて定量的に定性的に検証され、Astrobeeが直接撮影した単一のフレーム深度画像と、RGB-Dで構築され、Astrobeeからのデータを合成するフルシーン再構成マップからなる。 このアプローチのランタイムも深く分析されます。 ソースコードは、さらなる開発を促進するために公開されている。

関連論文リスト

• Multi-Agent 3D Map Reconstruction and Change Detection in Microgravity with Free-Flying Robots [4.42851967323783]
  本研究は,宇宙基地のロボット保守を実現するための多エージェント協調マッピングと変更検出のためのフレームワークを提案する。 1つのエージェントは、画像のシーケンスと対応する深度情報から環境の3Dモデルを再構成するために使用される。 別のエージェントは、定期的に環境を3Dモデルに対して不整合としてスキャンするために使用される。
  論文  参考訳（メタデータ） (2023-11-05T03:53:42Z)
• Point Cloud Forecasting as a Proxy for 4D Occupancy Forecasting [58.45661235893729]
  有望な自己管理タスクの1つは、注釈のないLiDARシーケンスからの3Dポイントクラウド予測である。 本課題は,(1)センサ外在物(自動運転車の移動),(2)センサ内在物(特定のLiDARセンサに特有のサンプリングパターン),(3)シーン内の他の物体の形状と動きを暗黙的にキャプチャするアルゴリズムを必要とすることを示す。 センサ外在性および内在性に関する4D占有率予測のポイントクラウドデータをレンダリングすることにより、注釈のないLiDARシーケンスで占有率アルゴリズムをトレーニングし、テストすることができる。
  論文  参考訳（メタデータ） (2023-02-25T18:12:37Z)
• FRAME: Fast and Robust Autonomous 3D point cloud Map-merging for Egocentric multi-robot exploration [2.433860819518925]
  本稿では,エゴセントリックなヘテロジニアスマルチロボット探索のための3次元クラウドマップ統合フレームワークを提案する。 提案した新しいソリューションは、最先端の場所認識学習ディスクリプタを利用して、フレームワークのメインパイプラインを通じて、高速で堅牢なリージョン重複推定を提供する。 提案手法の有効性を, 地下環境における複数フィールドマルチロボット探査計画に基づいて実験的に評価した。
  論文  参考訳（メタデータ） (2023-01-22T21:59:38Z)
• SSDA3D: Semi-supervised Domain Adaptation for 3D Object Detection from Point Cloud [125.9472454212909]
  本稿では,3次元物体検出(SSDA3D)のための半改良型領域適応法を提案する。 SSDA3Dはドメイン間適応ステージとドメイン内一般化ステージを含む。 実験の結果,10%のラベル付きターゲットデータしか持たないSSDA3Dは,100%のターゲットラベルを持つ完全教師付きオラクルモデルを上回ることができることがわかった。
  論文  参考訳（メタデータ） (2022-12-06T09:32:44Z)
• Construction of Object Boundaries for the Autopilotof a Surface Robot from Satellite Imagesusing Computer Vision Methods [101.18253437732933]
  衛星地図上での水物体を検出する手法を提案する。 輪郭のGPS座標を計算するアルゴリズムを作成する。 提案アルゴリズムは,表面ロボットオートパイロットモジュールに適したフォーマットで結果の保存を可能にする。
  論文  参考訳（メタデータ） (2022-12-05T12:07:40Z)
• Satellite Image Time Series Analysis for Big Earth Observation Data [50.591267188664666]
  本稿では,機械学習を用いた衛星画像時系列解析のためのオープンソースRパッケージである sit について述べる。 本手法は, Cerrado Biome のケーススタディにより, 土地利用と土地被覆マップの精度が高いことを示す。
  論文  参考訳（メタデータ） (2022-04-24T15:23:25Z)
• City-scale Scene Change Detection using Point Clouds [71.73273007900717]
  2つの異なる時間にカメラを設置して撮影した画像を用いて都市の構造変化を検出する手法を提案する。 変化検出のための2点雲の直接比較は、不正確な位置情報のため理想的ではない。 この問題を回避するために,ポイントクラウド上での深層学習に基づく非厳密な登録を提案する。 提案手法は,視点や照明の違いがあっても,シーン変化を効果的に検出できることを示す。
  論文  参考訳（メタデータ） (2021-03-26T08:04:13Z)
• Towards an Automatic System for Extracting Planar Orientations from Software Generated Point Clouds [1.0705399532413615]
  地質学における重要な活動は、平面方位測定を用いた地質構造の特徴化である。 このプロセスを自動化するために、Lidarのような様々な計算技術や技術が利用されている。 本稿では,向き測定の自動化を目的とした,データ取得手法と機械学習に基づくソフトウェアシステムgeostructureを提案する。
  論文  参考訳（メタデータ） (2020-12-22T01:35:47Z)
• Tiny-YOLO object detection supplemented with geometrical data [0.0]
  本研究では,シーン形状に関する事前知識の助けを借りて,検出精度(mAP)を向上させる手法を提案する。 我々は自律型ロボットに注目するので、ロボットの寸法とカメラの傾斜角を考えると、入力フレームの各ピクセルの空間スケールを予測することができる。
  論文  参考訳（メタデータ） (2020-08-05T14:45:19Z)
• DR-SPAAM: A Spatial-Attention and Auto-regressive Model for Person Detection in 2D Range Data [81.06749792332641]
  本研究では,異なるタイミングで得られたスキャンを組み合わせ,代替戦略を用いた人物検出ネットワークを提案する。 DR-SPAAMは、バックボーンネットワークから中間機能をテンプレートとして保持し、新しいスキャンが利用可能になったときにテンプレートをリカレントに更新する。 DROWデータセットでは,提案手法は既存の最先端技術よりも約4倍高速である。
  論文  参考訳（メタデータ） (2020-04-29T11:01:44Z)

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。