Fugu-MT 論文翻訳(概要): Fast and Robust Normal Estimation for Sparse LiDAR Scans

論文の概要: Fast and Robust Normal Estimation for Sparse LiDAR Scans

arxiv url: http://arxiv.org/abs/2404.14281v1
Date: Mon, 22 Apr 2024 15:29:28 GMT
ステータス: 処理完了
システム内更新日: 2024-04-23 13:27:39.617620
Title: Fast and Robust Normal Estimation for Sparse LiDAR Scans
Title（参考訳）: スパースLiDARスキャンの高速・ロバスト正規化
Authors: Igor Bogoslavskyi, Konstantinos Zampogiannis, Raymond Phan,
Abstract要約: メカニカルLiDARは、厳格に装着されたレーザーの集合を回転させる。このようなレーザーの1つの発射は、各点の近傍が知られている点の配列を生成する。この知識を使ってこれらの点を隣人と接続し、それらの点を接続する線の角度を使ってラベル付けします。
参考スコア（独自算出の注目度）: 1.4952056744888915
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Light Detection and Ranging (LiDAR) technology has proven to be an important part of many robotics systems. Surface normals estimated from LiDAR data are commonly used for a variety of tasks in such systems. As most of the today's mechanical LiDAR sensors produce sparse data, estimating normals from a single scan in a robust manner poses difficulties. In this paper, we address the problem of estimating normals for sparse LiDAR data avoiding the typical issues of smoothing out the normals in high curvature areas. Mechanical LiDARs rotate a set of rigidly mounted lasers. One firing of such a set of lasers produces an array of points where each point's neighbor is known due to the known firing pattern of the scanner. We use this knowledge to connect these points to their neighbors and label them using the angles of the lines connecting them. When estimating normals at these points, we only consider points with the same label as neighbors. This allows us to avoid estimating normals in high curvature areas. We evaluate our approach on various data, both self-recorded and publicly available, acquired using various sparse LiDAR sensors. We show that using our method for normal estimation leads to normals that are more robust in areas with high curvature which leads to maps of higher quality. We also show that our method only incurs a constant factor runtime overhead with respect to a lightweight baseline normal estimation procedure and is therefore suited for operation in computationally demanding environments.
Abstract（参考訳）: Light Detection and Ranging (LiDAR)技術は多くのロボティクスシステムにおいて重要な部分であることが証明されている。 LiDARデータから推定される表面の正規化は、そのようなシステムにおける様々なタスクに一般的に使用される。今日の機械式LiDARセンサーのほとんどはスパースデータを生成するため、単一のスキャンから正常を頑健な方法で推定することは困難である。本稿では,高曲率領域における正規化の典型的な問題を回避するために,疎LiDARデータの正規化を推定する問題に対処する。メカニカルLiDARは、厳格に装着されたレーザーの集合を回転させる。このようなレーザーの1つの発射は、スキャナの既知の発火パターンのために、各点の近傍が知られている点の配列を生成する。この知識を使ってこれらの点を隣人と接続し、それらの点を接続する線の角度を使ってラベル付けします。これらの点で正規性を推定するとき、我々は隣人と同じラベルを持つ点のみを考える。これにより、高い曲率領域における正規値の推定を回避できる。我々は,各種の疎LiDARセンサを用いて,自己記録と公開の両方で得られた各種データに対するアプローチを評価した。本手法は, 高い曲率を持つ領域において, より頑健な正規分布を導出し, 高品質な写像を導出することを示す。また,本手法は,軽量なベースライン正規推定法に対して,定数係数ランタイムのオーバーヘッドしか発生せず,計算負荷の高い環境での演算に適していることを示す。

関連論文リスト

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)
CMRNext: Camera to LiDAR Matching in the Wild for Localization and Extrinsic Calibration [9.693729708337125]
CMRNextはカメラ-LIDARマッチングの新しいアプローチであり、センサー固有のパラメータとは独立しており、一般化可能であり、野生で使用することができる。 3つの公開データセットと3つの社内ロボットを含む6つの異なるロボットプラットフォーム上でCMRNextを広範囲に評価した。
論文参考訳（メタデータ） (2024-01-31T19:14:12Z)
NeuralGF: Unsupervised Point Normal Estimation by Learning Neural Gradient Function [55.86697795177619]
3次元点雲の正規推定は3次元幾何処理の基本的な課題である。我々は,ニューラルネットワークが入力点雲に適合することを奨励する,ニューラルグラデーション関数の学習のための新しいパラダイムを導入する。広範に使用されているベンチマークの優れた結果から,本手法は非指向性および指向性正常推定タスクにおいて,より正確な正規性を学習できることが示されている。
論文参考訳（メタデータ） (2023-11-01T09:25:29Z)
Traj-LO: In Defense of LiDAR-Only Odometry Using an Effective Continuous-Time Trajectory [20.452961476175812]
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。
論文参考訳（メタデータ） (2023-09-25T03:05:06Z)
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)
Stress-Testing LiDAR Registration [52.24383388306149]
本稿では,LiDARデータセットからフレームペアの挑戦的集合である平衡登録集合を選択する手法を提案する。おそらく予想外のことに、最も高速かつ同時に正確なアプローチは、先進RANSACのバージョンであることがわかった。
論文参考訳（メタデータ） (2022-04-16T05:10:55Z)
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)
Semi-Local Convolutions for LiDAR Scan Processing [0.42970700836450487]
移動ロボットや自動走行車などの多くのアプリケーションは、LiDARセンサーを使用して周囲の詳細な情報を取得する。多くの方法は画像のようなプロジェクションを使ってこれらのLiDAR測定を効率的に処理し、深層畳み込みニューラルネットワークを使ってスキャンの各点のセマンティッククラスを予測する。本研究では,垂直方向の重量共有量を低減した半局所畳み込み層(SLC)を提案する。
論文参考訳（メタデータ） (2021-11-30T18:09:43Z)
Learning to Detect Fortified Areas [0.0]
本研究では,道路,歩道,駐車場,舗装された自動車道,テラスなどによって,ある表面のどの部分が要塞化されているのかを分類する問題を考察する。本稿では,すべてのセンサシステムからデータを新しい共通表現に変換するニューラルネット埋め込みアーキテクチャを設計し,アルゴリズムによる解を提案する。
論文参考訳（メタデータ） (2021-05-26T08:03:42Z)
StrObe: Streaming Object Detection from LiDAR Packets [73.27333924964306]
ローリングシャッターのLiDARはパケットのストリームとして出力され、それぞれ360degのカバレッジのセクターをカバーする。現代の認識アルゴリズムは、データを処理する前に全スイープが構築されるのを待つ。本稿では,LiDARパケットを取り込み,全スイープが構築されるのを待たずに検出ストリームを出力することで,レイテンシを最小化する新しいアプローチであるStrObeを提案する。
論文参考訳（メタデータ） (2020-11-12T14:57:44Z)
Deep Soft Procrustes for Markerless Volumetric Sensor Alignment [81.13055566952221]
本研究では、より堅牢なマルチセンサ空間アライメントを実現するために、マーカーレスデータ駆動対応推定を改善する。我々は、幾何学的制約を終末的に典型的なセグメンテーションベースモデルに組み込み、対象のポーズ推定タスクと中間密な分類タスクをブリッジする。実験により,マーカーベースの手法で同様の結果が得られ,マーカーレス手法よりも優れ,またキャリブレーション構造のポーズ変動にも頑健であることがわかった。
論文参考訳（メタデータ） (2020-03-23T10:51:32Z)

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。