Fugu-MT 論文翻訳(概要): 3D LiDAR Mapping in Dynamic Environments Using a 4D Implicit Neural Representation

論文の概要: 3D LiDAR Mapping in Dynamic Environments Using a 4D Implicit Neural Representation

arxiv url: http://arxiv.org/abs/2405.03388v1
Date: Mon, 6 May 2024 11:46:04 GMT
ステータス: 処理完了
システム内更新日: 2024-05-07 13:56:21.480655
Title: 3D LiDAR Mapping in Dynamic Environments Using a 4D Implicit Neural Representation
Title（参考訳）: 4次元入射ニューラル表現を用いた動的環境における3次元LiDARマッピング
Authors: Xingguang Zhong, Yue Pan, Cyrill Stachniss, Jens Behley,
Abstract要約: 正確な地図の構築は、自動運転車の信頼性の高いローカライゼーション、計画、ナビゲーションを可能にする重要なビルディングブロックである。我々は、4Dシーンを新しい暗黙的ニューラルマップ表現に符号化する。提案手法は, 高精度で完全な3次元地図を再構成しながら, 入力点雲の動的部分を除去することができる。
参考スコア（独自算出の注目度）: 33.92758288570465
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Building accurate maps is a key building block to enable reliable localization, planning, and navigation of autonomous vehicles. We propose a novel approach for building accurate maps of dynamic environments utilizing a sequence of LiDAR scans. To this end, we propose encoding the 4D scene into a novel spatio-temporal implicit neural map representation by fitting a time-dependent truncated signed distance function to each point. Using our representation, we extract the static map by filtering the dynamic parts. Our neural representation is based on sparse feature grids, a globally shared decoder, and time-dependent basis functions, which we jointly optimize in an unsupervised fashion. To learn this representation from a sequence of LiDAR scans, we design a simple yet efficient loss function to supervise the map optimization in a piecewise way. We evaluate our approach on various scenes containing moving objects in terms of the reconstruction quality of static maps and the segmentation of dynamic point clouds. The experimental results demonstrate that our method is capable of removing the dynamic part of the input point clouds while reconstructing accurate and complete 3D maps, outperforming several state-of-the-art methods. Codes are available at: https://github.com/PRBonn/4dNDF
Abstract（参考訳）: 正確な地図の構築は、自動運転車の信頼性の高いローカライゼーション、計画、ナビゲーションを可能にする重要なビルディングブロックである。そこで本研究では,LiDARスキャンを用いた動的環境の高精度マップ構築手法を提案する。そこで本研究では,時間依存の符号付き距離関数を各点に組み込むことで,新しい時空間的暗黙的ニューラルマップ表現に4Dシーンを符号化する。この表現を用いて,動的部分のフィルタリングにより静的マップを抽出する。我々のニューラル表現はスパース機能グリッド、グローバル共有デコーダ、時間依存基底関数に基づいており、教師なしの方法で協調的に最適化する。この表現をLiDARスキャンのシーケンスから学習するために,地図の最適化を断片的に監視する簡易で効率的な損失関数を設計する。我々は静的マップの復元品質と動的点雲のセグメンテーションの観点から,移動物体を含む様々なシーンに対するアプローチを評価した。実験結果から,提案手法は高精度で完全な3次元地図を再構成しながら,入力点雲の動的部分の除去が可能であり,最先端の手法よりも優れていることが示された。コードは、https://github.com/PRBonn/4dNDFで入手できる。

関連論文リスト

Decomposition of Neural Discrete Representations for Large-Scale 3D Mapping [15.085191496726967]
分解型ニューラルマッピング(DNMap)について紹介する。 DNMapはストレージ効率のよい大規模3Dマッピング手法である。我々は、小さなストレージ空間を必要とする低解像度の連続的な埋め込みを学習する。
論文参考訳（メタデータ） (2024-07-22T11:32:33Z)
V-DETR: DETR with Vertex Relative Position Encoding for 3D Object Detection [73.37781484123536]
DETRフレームワークを用いた点雲のための高性能な3次元物体検出器を提案する。限界に対処するため,新しい3次元相対位置(3DV-RPE)法を提案する。挑戦的なScanNetV2ベンチマークで例外的な結果を示す。
論文参考訳（メタデータ） (2023-08-08T17:14:14Z)
Quadric Representations for LiDAR Odometry, Mapping and Localization [93.24140840537912]
現在のLiDARオードメトリ、マッピング、ローカライズ手法は、3Dシーンのポイントワイズ表現を利用する。 3次元オブジェクトのよりコンパクトな表現である2次元曲面を用いたシーン記述法を提案する。提案手法は低レイテンシとメモリの有効性を維持しつつ、競争力があり、しかも精度も優れている。
論文参考訳（メタデータ） (2023-04-27T13:52:01Z)
Learnable Earth Parser: Discovering 3D Prototypes in Aerial Scans [20.030706182672144]
そこで本研究では,現実のシーンの大規模な3次元スキャンを,容易に解釈可能な形状で解析するための教師なし手法を提案する。提案手法は,入力された3次元点群を学習された3次元形状の小さな集合に分解する確率的再構成モデルに基づく。実世界の様々なシナリオから得られた7つの大型LiDARスキャンのデータセット上で,本モデルの有用性を実証する。
論文参考訳（メタデータ） (2023-04-19T14:49:31Z)
Flattening-Net: Deep Regular 2D Representation for 3D Point Cloud Analysis [66.49788145564004]
我々は、任意の幾何学と位相の不規則な3次元点雲を表現するために、Flattning-Netと呼ばれる教師なしのディープニューラルネットワークを提案する。我々の手法は、現在の最先端の競合相手に対して好意的に機能する。
論文参考訳（メタデータ） (2022-12-17T15:05:25Z)
SHINE-Mapping: Large-Scale 3D Mapping Using Sparse Hierarchical Implicit Neural Representations [37.733802382489515]
本稿では, 3次元LiDAR計測を用いて, 暗示表現を用いた大規模3次元再構成を実現する際の課題について述べる。我々はオクツリーに基づく階層構造を通じて暗黙的な特徴を学習し、保存する。我々の3D再構成は、現在の最先端3Dマッピング法よりも正確で、完全で、メモリ効率が高いことを示す。
論文参考訳（メタデータ） (2022-10-05T14:38:49Z)
Receding Moving Object Segmentation in 3D LiDAR Data Using Sparse 4D Convolutions [33.538055872850514]
歩行歩行者や自動車などの現在移動している物体に属する3D LiDAR点と、壁や駐車中の車など移動しない物体から得られる点とを区別する問題に対処する。我々の手法は観測されたLiDARスキャンを連続して4D点雲に変換する。計算効率の良いスパース4D畳み込みを適用し,空間的特徴と時間的特徴を共同抽出し,各点の移動物体の信頼度を推定する。
論文参考訳（メタデータ） (2022-06-08T18:51:14Z)
Neural 3D Scene Reconstruction with the Manhattan-world Assumption [58.90559966227361]
本稿では,多視点画像から3次元屋内シーンを再構築する課題について述べる。平面的制約は、最近の暗黙の神経表現に基づく再構成手法に便利に組み込むことができる。提案手法は, 従来の手法よりも3次元再構成品質に優れていた。
論文参考訳（メタデータ） (2022-05-05T17:59:55Z)
TANDEM: Tracking and Dense Mapping in Real-time using Deep Multi-view Stereo [55.30992853477754]
本稿では,リアルタイムな単分子追跡と高密度フレームワークであるTANDEMを紹介する。ポーズ推定のために、TANDEMはアライメントのスライディングウィンドウに基づいて光度バンドル調整を行う。 TANDEMは最先端のリアルタイム3D再構成性能を示す。
論文参考訳（メタデータ） (2021-11-14T19:01:02Z)
NeuralBlox: Real-Time Neural Representation Fusion for Robust Volumetric Mapping [29.3378360000956]
本稿では,ニューラル暗黙表現の最近の進歩を活かした新しい3次元マッピング手法を提案する。ニューラルな暗黙表現をインクリメンタルに構築し、更新するための融合戦略とトレーニングパイプラインを提案する。インクリメンタルに構築された占有マップは,CPU上でもリアルタイムに取得可能であることを示す。
論文参考訳（メタデータ） (2021-10-18T15:45:05Z)
DOPS: Learning to Detect 3D Objects and Predict their 3D Shapes [54.239416488865565]
LIDARデータに対する高速な1段3次元物体検出法を提案する。我々の手法の中核となる新規性は高速かつシングルパスアーキテクチャであり、どちらも3次元の物体を検出し、それらの形状を推定する。提案手法は,ScanNetシーンのオブジェクト検出で5%,オープンデータセットでは3.4%の精度で結果が得られた。
論文参考訳（メタデータ） (2020-04-02T17:48:50Z)

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。