論文の概要: RecNet: An Invertible Point Cloud Encoding through Range Image
Embeddings for Multi-Robot Map Sharing and Reconstruction
- arxiv url: http://arxiv.org/abs/2402.02192v2
- Date: Mon, 4 Mar 2024 23:15:14 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-07 00:27:14.663855
- Title: RecNet: An Invertible Point Cloud Encoding through Range Image
Embeddings for Multi-Robot Map Sharing and Reconstruction
- Title（参考訳）: RecNet:マルチロボットマップ共有と再構成のためのレンジイメージ埋め込みによる可逆的ポイントクラウドエンコーディング
- Authors: Nikolaos Stathoulopoulos, Mario A.V. Saucedo, Anton Koval and George
Nikolakopoulos
- Abstract要約: RecNetは資源制約されたロボットの効果的な位置認識のための新しいアプローチである。
3Dポイントクラウドをレンジイメージに投影し、エンコーダデコーダフレームワークを使用して圧縮し、その後レンジイメージを再構築し、元のポイントクラウドを復元する。
提案手法は,公開データセットとフィールド実験の両方を用いて評価し,その有効性と実世界の応用の可能性を確認する。
- 参考スコア（独自算出の注目度）: 8.602553195689513
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the field of resource-constrained robots and the need for effective place
recognition in multi-robotic systems, this article introduces RecNet, a novel
approach that concurrently addresses both challenges. The core of RecNet's
methodology involves a transformative process: it projects 3D point clouds into
range images, compresses them using an encoder-decoder framework, and
subsequently reconstructs the range image, restoring the original point cloud.
Additionally, RecNet utilizes the latent vector extracted from this process for
efficient place recognition tasks. This approach not only achieves comparable
place recognition results but also maintains a compact representation, suitable
for sharing among robots to reconstruct their collective maps. The evaluation
of RecNet encompasses an array of metrics, including place recognition
performance, the structural similarity of the reconstructed point clouds, and
the bandwidth transmission advantages, derived from sharing only the latent
vectors. Our proposed approach is assessed using both a publicly available
dataset and field experiments$^1$, confirming its efficacy and potential for
real-world applications.
- Abstract（参考訳）: 本稿では,資源拘束型ロボットの分野とマルチロボットシステムにおける効果的な位置認識の必要性について,両課題を同時に解決する新しいアプローチであるRecNetを紹介する。
RecNetの方法論の中核は、3Dポイントクラウドをレンジイメージに投影し、エンコーダ・デコーダフレームワークを使用してそれらを圧縮し、その後レンジイメージを再構築し、元のポイントクラウドを復元する。
さらに、RecNetはこのプロセスから抽出した潜伏ベクトルを効率的な位置認識タスクに利用する。
このアプローチは、同等の場所認識結果を達成するだけでなく、ロボット間での共有に適したコンパクトな表現も維持する。
recnetの評価は、位置認識性能、再構成された点雲の構造的類似性、および潜在ベクトルのみを共有することに由来する帯域幅伝達の利点を含む、一連の指標を含んでいる。
提案手法は,公開データセットとフィールド実験の両方を用いて評価し,その有効性と実世界の応用の可能性を確認する。
関連論文リスト
- LAC-Net: Linear-Fusion Attention-Guided Convolutional Network for Accurate Robotic Grasping Under the Occlusion [79.22197702626542]
本稿では, 乱れ場面におけるロボットグルーピングのためのアモーダルセグメンテーションを探求する枠組みを提案する。
線形融合注意誘導畳み込みネットワーク(LAC-Net)を提案する。
その結果,本手法が最先端の性能を達成できることが示唆された。
論文 参考訳（メタデータ） (2024-08-06T14:50:48Z) - Boosting Cross-Domain Point Classification via Distilling Relational Priors from 2D Transformers [59.0181939916084]
従来の3Dネットワークは主に局所幾何学的詳細に焦点を当て、局所幾何学間の位相構造を無視する。
そこで本稿では,大規模画像上においてよく訓練されたトランスフォーマーから前駆体を抽出する,新しい先駆体蒸留法を提案する。
PointDA-10とSim-to-Realデータセットの実験は、提案手法が点クラウド分類におけるUDAの最先端性能を一貫して達成していることを検証する。
論文 参考訳（メタデータ） (2024-07-26T06:29:09Z) - FRAME: A Modular Framework for Autonomous Map Merging: Advancements in the Field [12.247977717070773]
本稿では,エゴセントリックなマルチロボット探査における3次元点雲マップの融合について述べる。
提案手法は、最先端の場所認識と学習記述子を利用して、地図間の重複を効率的に検出する。
提案手法の有効性は,ロボット探査の複数のフィールドミッションを通じて実証された。
論文 参考訳（メタデータ） (2024-04-27T20:54:15Z) - Dynamic Clustering Transformer Network for Point Cloud Segmentation [23.149220817575195]
動的クラスタリングトランスネットワーク(DCTNet)と呼ばれる新しい3Dポイントクラウド表現ネットワークを提案する。
エンコーダ-デコーダアーキテクチャがあり、ローカルとグローバルの両方の機能学習が可能である。
提案手法は,オブジェクトベースデータセット(ShapeNet),都市ナビゲーションデータセット(Toronto-3D),マルチスペクトルLiDARデータセットを用いて評価した。
論文 参考訳（メタデータ） (2023-05-30T01:11:05Z) - Learning Local Displacements for Point Cloud Completion [93.54286830844134]
本稿では,3次元点雲として表現された部分的スキャンからオブジェクトとセマンティックシーンを補完する手法を提案する。
アーキテクチャはエンコーダ-デコーダ構造内で連続的に使用される3つの新しいレイヤに依存している。
オブジェクトと屋内の両方のシーン完了タスクにおけるアーキテクチャの評価を行い、最先端の性能を実現する。
論文 参考訳（メタデータ） (2022-03-30T18:31:37Z) - TreeGCN-ED: Encoding Point Cloud using a Tree-Structured Graph Network [24.299931323012757]
この研究は、ポイントクラウドのための堅牢な埋め込みを生成するオートエンコーダベースのフレームワークを提案する。
3Dポイントクラウド補完やシングルイメージベースの3D再構成といったアプリケーションにおいて,提案フレームワークの適用性を示す。
論文 参考訳（メタデータ） (2021-10-07T03:52:56Z) - UPDesc: Unsupervised Point Descriptor Learning for Robust Registration [54.95201961399334]
UPDescは、ロバストポイントクラウド登録のためのポイント記述子を学習するための教師なしの方法である。
学習した記述子は既存の教師なし手法よりも優れた性能を示すことを示す。
論文 参考訳（メタデータ） (2021-08-05T17:11:08Z) - A Novel Upsampling and Context Convolution for Image Semantic
Segmentation [0.966840768820136]
最近のセマンティックセグメンテーションの方法は、しばしば深い畳み込みニューラルネットワークを用いたエンコーダデコーダ構造を採用している。
ネットワーク内の画像の空間情報を効率的に保存するために,ガイドフィルタに基づく高密度アップサンプリング畳み込み法を提案する。
ADE20KとPascal-Contextのベンチマークデータセットでは,それぞれ82.86%,81.62%の画素精度を記録した。
論文 参考訳（メタデータ） (2021-03-20T06:16:42Z) - Robust Place Recognition using an Imaging Lidar [45.37172889338924]
本研究では,画像lidarを用いたロバストなリアルタイム位置認識手法を提案する。
本手法は真不変であり,逆再訪と逆逆再訪に対処できる。
論文 参考訳（メタデータ） (2021-03-03T01:08:31Z) - Unsupervised Metric Relocalization Using Transform Consistency Loss [66.19479868638925]
メートル法再ローカライズを行うためのトレーニングネットワークは、従来、正確な画像対応が必要である。
地図内のクエリ画像のローカライズは、登録に使用される参照画像に関係なく、同じ絶対的なポーズを与えるべきである。
提案手法は, 限られた地下構造情報が得られる場合に, 他の教師あり手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2020-11-01T19:24:27Z) - Weakly-Supervised Semantic Segmentation by Iterative Affinity Learning [86.45526827323954]
弱教師付きセマンティックセグメンテーションは、トレーニングのためにピクセル単位のラベル情報が提供されないため、難しい課題である。
このようなペア関係を学習するための反復アルゴリズムを提案する。
本稿では,提案アルゴリズムが最先端手法に対して好適に動作することを示す。
論文 参考訳（メタデータ） (2020-02-19T10:32:03Z)
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。