論文の概要: MAD-ICP: It Is All About Matching Data -- Robust and Informed LiDAR Odometry

• arxiv url: http://arxiv.org/abs/2405.05828v1
• Date: Thu, 9 May 2024 15:02:26 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-10 13:02:50.693107
• Title: MAD-ICP: It Is All About Matching Data -- Robust and Informed LiDAR Odometry
• Title（参考訳）: MAD-ICP:データマッチングのすべて-ロバストとインフォームドLiDARオドメトリー
• Authors: Simone Ferrari, Luca Di Giammarino, Leonardo Brizi, Giorgio Grisetti,
• Abstract要約: LiDARオドメトリー(LiDAR odometry)は、連続レーザースキャンからセンサーのエゴモーションを推定するタスクである。 これらのシステムのほとんどは、運用環境、使用するセンサー、動作パターンに関する仮定に暗黙的に依存している。 本稿では,これらの制限を克服し,異なる動作条件下でうまく動作可能なLiDARオドメトリーシステムを提案する。
• 参考スコア（独自算出の注目度）: 2.0508169116681594
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: LiDAR odometry is the task of estimating the ego-motion of the sensor from sequential laser scans. This problem has been addressed by the community for more than two decades, and many effective solutions are available nowadays. Most of these systems implicitly rely on assumptions about the operating environment, the sensor used, and motion pattern. When these assumptions are violated, several well-known systems tend to perform poorly. This paper presents a LiDAR odometry system that can overcome these limitations and operate well under different operating conditions while achieving performance comparable with domain-specific methods. Our algorithm follows the well-known ICP paradigm that leverages a PCA-based kd-tree implementation that is used to extract structural information about the clouds being registered and to compute the minimization metric for the alignment. The drift is bound by managing the local map based on the estimated uncertainty of the tracked pose. To benefit the community, we release an open-source C++ anytime real-time implementation.
• Abstract（参考訳）: LiDARオドメトリー(LiDAR odometry)は、連続レーザースキャンからセンサーのエゴモーションを推定するタスクである。 この問題は20年以上にわたってコミュニティによって解決されてきたが、現在では多くの効果的なソリューションが利用可能である。 これらのシステムのほとんどは、運用環境、使用するセンサー、動作パターンに関する仮定に暗黙的に依存している。 これらの仮定に違反すると、いくつかのよく知られたシステムは性能が良くない傾向にある。 本稿では,これらの制約を克服し,異なる操作条件下での動作を良好に行うとともに,ドメイン固有の手法に匹敵する性能を実現するLiDARオドメトリーシステムを提案する。 我々のアルゴリズムは、PCAベースのkd-tree実装を利用して、登録されている雲の構造情報を抽出し、アライメントのための最小化メトリックを計算する、よく知られたICPパラダイムに従っている。 ドリフトは、追跡されたポーズの推定された不確実性に基づいて、ローカルマップを管理することでバウンドされる。 コミュニティに利益をもたらすため、オープンソースC++をいつでもリアルタイムで実装します。

関連論文リスト

• Large-Scale OD Matrix Estimation with A Deep Learning Method [70.78575952309023]
  提案手法は,ディープラーニングと数値最適化アルゴリズムを統合し,行列構造を推論し,数値最適化を導出する。 大規模合成データセットを用いて,提案手法の優れた一般化性能を実証するために実験を行った。
  論文  参考訳（メタデータ） (2023-10-09T14:30:06Z)
• PAC-Based Formal Verification for Out-of-Distribution Data Detection [4.406331747636832]
  本研究は、VAEの符号化プロセスを用いて、OOD検出に基づくほぼ正しい(PAC)保証を行う。 ユーザ定義の信頼性で不慣れなインスタンスに検出エラーをバインドするために使用される。
  論文  参考訳（メタデータ） (2023-04-04T07:33:02Z)
• Task-Oriented Sensing, Computation, and Communication Integration for Multi-Device Edge AI [108.08079323459822]
  本稿では,AIモデルの分割推論と統合センシング通信(ISAC)を併用した,新しいマルチインテリジェントエッジ人工レイテンシ(AI)システムについて検討する。 推定精度は近似的だが抽出可能な計量、すなわち判別利得を用いて測定する。
  論文  参考訳（メタデータ） (2022-07-03T06:57:07Z)
• Learning-based Localizability Estimation for Robust LiDAR Localization [13.298113481670038]
  LiDARベースのローカライゼーションとマッピングは、多くの現代のロボットシステムにおける中核的なコンポーネントの1つである。 本研究では,ロボット動作中の(非)局所性を検出するニューラルネットワークに基づく推定手法を提案する。
  論文  参考訳（メタデータ） (2022-03-11T01:12:00Z)
• Learning Dependencies in Distributed Cloud Applications to Identify and Localize Anomalies [58.88325379746632]
  本稿では、システムコンポーネントをノードとしてモデル化し、その依存関係をエッジとしてモデル化し、異常の識別と局在を改善するニューラルグラフ変換手法であるArvalusとその変種D-Arvalusを紹介します。 一連のメトリックを考えると、私たちの方法は最も可能性の高いシステム状態 - 正常または異常クラス - を予測し、異常が検出されたときにローカライズを行います。 この評価は、一般にArvalusの良好な予測性能を示し、システムコンポーネント依存性に関する情報を組み込んだD-Arvalusの利点を明らかにします。
  論文  参考訳（メタデータ） (2021-03-09T06:34:05Z)
• LCDNet: Deep Loop Closure Detection for LiDAR SLAM based on Unbalanced Optimal Transport [8.21384946488751]
  LiDAR ポイント クラウドのループ クロージャを効果的に検出する新しい LCDNet を紹介します。 LCDNetは、共有エンコーダ、グローバルディスクリプタを抽出する場所認識ヘッド、および2つの点雲間の変換を推定する相対ポーズヘッドで構成されています。 私たちのアプローチは、逆ループを扱う場合でも、最先端の技術を大きなマージンで上回る。
  論文  参考訳（メタデータ） (2021-03-08T20:19:37Z)
• 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)
• Robust Odometry and Mapping for Multi-LiDAR Systems with Online Extrinsic Calibration [15.946728828122385]
  本稿では,複数のLiDARのロバストかつ同時キャリブレーション,オドメトリー,マッピングを実現するシステムを提案する。 キャリブレーションとSLAMのための10列(全長4.60km)の広範囲な実験により,本手法の性能を検証した。 提案手法は,様々なマルチLiDARセットアップのための完全で堅牢なシステムであることを示す。
  論文  参考訳（メタデータ） (2020-10-27T13:51:26Z)
• Multi-scale Interaction for Real-time LiDAR Data Segmentation on an Embedded Platform [62.91011959772665]
  LiDARデータのリアルタイムセマンティックセグメンテーションは、自動運転車にとって不可欠である。 ポイントクラウド上で直接動作する現在のアプローチでは、複雑な空間集約操作を使用する。 本稿では,マルチスケールインタラクションネットワーク(MINet)と呼ばれるプロジェクションベースの手法を提案する。
  論文  参考訳（メタデータ） (2020-08-20T19:06:11Z)
• 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)
• Online LiDAR-SLAM for Legged Robots with Robust Registration and Deep-Learned Loop Closure [7.861777781616249]
  本稿では,最先端の深い特徴に基づくループ閉包検出器を組み込んだ因子グラフLiDAR-SLAMシステムを提案する。 本システムは,LiDARセンサのみを使用し,四足歩行ロボットのナビゲーションPC上で動作させるために開発された。
  論文  参考訳（メタデータ） (2020-01-28T10:30:20Z)

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。