論文の概要: DRIP: Discriminative Rotation-Invariant Pole Landmark Descriptor for 3D LiDAR Localization
- arxiv url: http://arxiv.org/abs/2406.11266v1
- Date: Mon, 17 Jun 2024 07:13:07 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-18 17:54:42.369474
- Title: DRIP: Discriminative Rotation-Invariant Pole Landmark Descriptor for 3D LiDAR Localization
- Title（参考訳）: DRIP: 3D LiDARローカライゼーションのための識別回転不変極ランドマーク記述子
- Authors: Dingrui Li, Dedi Guo, Kanji Tanaka,
- Abstract要約: 3D LiDARベースのロボットの自己ローカライゼーションでは、ポールのようなランドマークが軽量で差別的なランドマークとして人気を集めている。
この研究は「差別的な回転不変極」を導入し、ポールのようなランドマークの識別性を高める。
我々は、教師なし学習を通してポール辞書を訓練し、それを使ってポールをコンパクトなポール語に圧縮する。
- 参考スコア（独自算出の注目度）: 1.474723404975345
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In 3D LiDAR-based robot self-localization, pole-like landmarks are gaining popularity as lightweight and discriminative landmarks. This work introduces a novel approach called "discriminative rotation-invariant poles," which enhances the discriminability of pole-like landmarks while maintaining their lightweight nature. Unlike conventional methods that model a pole landmark as a 3D line segment perpendicular to the ground, we propose a simple yet powerful approach that includes not only the line segment's main body but also its surrounding local region of interest (ROI) as part of the pole landmark. Specifically, we describe the appearance, geometry, and semantic features within this ROI to improve the discriminability of the pole landmark. Since such pole landmarks are no longer rotation-invariant, we introduce a novel rotation-invariant convolutional neural network that automatically and efficiently extracts rotation-invariant features from input point clouds for recognition. Furthermore, we train a pole dictionary through unsupervised learning and use it to compress poles into compact pole words, thereby significantly reducing real-time costs while maintaining optimal self-localization performance. Monte Carlo localization experiments using publicly available NCLT dataset demonstrate that the proposed method improves a state-of-the-art pole-based localization framework.
- Abstract（参考訳）: 3D LiDARベースのロボットの自己ローカライゼーションでは、ポールのようなランドマークが軽量で差別的なランドマークとして人気を集めている。
この研究は「差別的回転不変極」と呼ばれる新しいアプローチを導入し、極のようなランドマークの識別性を高めながら、その軽量な性質を維持している。
地上に垂直な3次元線分としてポールランドマークをモデル化する従来の手法とは違って,線分本体だけでなく,その周囲の局所的関心領域(ROI)を含む,単純かつ強力なアプローチを提案する。
具体的には、このROI内の外観、幾何学、意味的特徴を説明し、ポールランドマークの識別性を改善する。
このような極のランドマークはもはや回転不変ではないため、新しい回転不変畳み込みニューラルネットワークを導入し、入力点雲から回転不変の特徴を自動的に効率よく抽出して認識する。
さらに、教師なし学習を通じてポール辞書を訓練し、それを用いて極をコンパクトな極語に圧縮し、最適な自己ローカライゼーション性能を維持しながら、リアルタイムコストを大幅に削減する。
NCLTデータセットを用いたモンテカルロのローカライゼーション実験により,提案手法が最先端のポールベースローカライゼーションフレームワークを改善したことを示す。
関連論文リスト
- Learning SO(3)-Invariant Semantic Correspondence via Local Shape Transform [62.27337227010514]
RISTと呼ばれる局所形状変換を用いた自己教師型回転不変3次元対応学習システムを提案する。
RISTは、挑戦的なクラス内変分と任意の向きの下でも、形状間の密接な対応を確立することを学ぶ。
RISTは、任意の回転点雲対に与えられる3D部分ラベル転送とセマンティックキーポイント転送の最先端性能を示す。
論文 参考訳（メタデータ） (2024-04-17T08:09:25Z) - VNI-Net: Vector Neurons-based Rotation-Invariant Descriptor for LiDAR
Place Recognition [10.049145949807505]
本稿では,ベクトルニューロンネットワーク(VNN)を用いてSO(3)回転不変性を実現する手法を提案する。
回転不変記述子を定式化する場合の有意な情報損失に対処するために,異なる層における特徴間の計算距離を提案する。
論文 参考訳（メタデータ） (2023-08-24T15:47:21Z) - Detection and Classification of Pole-like Landmarks for Domain-invariant
3D Point Cloud Map Matching [3.0969191504482243]
3Dポイントのクラウドベースの視覚的自己ローカライゼーションでは、ポールランドマークは正確で信頼性の高いローカライゼーションのランドマークとして大きな可能性を秘めている。
本研究では,ポールランドマークに基づく自己ローカライゼーションの文脈において,最近開発された極分類のためのディープラーニングモデルの利用について検討する。
NCLTデータセットを用いた実験により,極状ランドマーク分類法は,ベースライン法と比較して視覚的自己局在化システムに改善効果が認められた。
論文 参考訳（メタデータ） (2023-05-11T14:40:20Z) - Learning Cross-view Geo-localization Embeddings via Dynamic Weighted
Decorrelation Regularization [52.493240055559916]
クロスビュージオローカライゼーションは、ドローンプラットフォームと衛星プラットフォームという2つのプラットフォームから撮影された同じ位置の画像を見つけることを目的としている。
既存の手法は、通常、特徴空間内の他のものとの埋め込み距離を最適化することに焦点を当てる。
本稿では、低冗長性も重要であり、モデルがより多様なパターンをマイニングする動機となっていると論じる。
論文 参考訳（メタデータ） (2022-11-10T02:13:10Z) - Online Pole Segmentation on Range Images for Long-term LiDAR
Localization in Urban Environments [32.34672033386747]
オンラインで実行される幾何学的特徴に基づく,新しい,正確かつ高速な極抽出手法を提案する。
本手法は3次元LiDARスキャンから生成した範囲画像を直接計算する。
抽出した極を擬似ラベルとして、オンライン範囲画像に基づく極分割のためのディープニューラルネットワークをトレーニングする。
論文 参考訳（メタデータ） (2022-08-15T17:58:08Z) - Learning Smooth Neural Functions via Lipschitz Regularization [92.42667575719048]
ニューラルフィールドにおけるスムーズな潜伏空間を促進するために設計された新しい正規化を導入する。
従来のリプシッツ正規化ネットワークと比較して、我々のアルゴリズムは高速で、4行のコードで実装できる。
論文 参考訳（メタデータ） (2022-02-16T21:24:54Z) - Domain-invariant NBV Planner for Active Cross-domain Self-localization [0.0]
スパース不変ランドマークと高密度識別ランドマークを用いたアクティブ自己局在化システムを開発する。
実験では,効率的なランドマーク検出と識別的自己局所化の両方において提案手法が有効であることを示す。
論文 参考訳（メタデータ） (2021-02-23T07:36:45Z) - Robust Kernel-based Feature Representation for 3D Point Cloud Analysis
via Circular Graph Convolutional Network [2.42919716430661]
本稿では,回転,密度,スケール変動に堅牢な新しい局所特徴記述法を提案する。
局所記述子の表現を改善するために,グローバルアグリゲーション手法を提案する。
本手法は最先端手法と比較して優れた性能を示す。
論文 参考訳（メタデータ） (2020-12-22T18:02:57Z) - Reconfigurable Voxels: A New Representation for LiDAR-Based Point Clouds [76.52448276587707]
本稿では,3次元点群から表現を構成する新しい手法であるReconfigurable Voxelsを提案する。
具体的には,各地区を一定数のボクセルで適応的にカバーするランダムウォーク方式を考案する。
この手法は,特に疎水領域において,ボクセル特性の安定性を効果的に向上することがわかった。
論文 参考訳（メタデータ） (2020-04-06T15:07:16Z) - A Rotation-Invariant Framework for Deep Point Cloud Analysis [132.91915346157018]
ネットワーク入力時に一般的な3次元カルト座標を置き換えるために,新しい低レベル純粋回転不変表現を導入する。
また,これらの表現を特徴に組み込むネットワークアーキテクチャを提案し,点とその近傍の局所的関係とグローバルな形状構造を符号化する。
本手法は, 形状分類, 部分分割, 形状検索を含む多点雲解析タスクにおいて評価する。
論文 参考訳（メタデータ） (2020-03-16T14:04:45Z) - Quaternion Equivariant Capsule Networks for 3D Point Clouds [58.566467950463306]
本稿では,3次元回転と翻訳に同値な点雲を処理するための3次元カプセルモジュールを提案する。
カプセル間の動的ルーティングをよく知られたWeiszfeldアルゴリズムに接続する。
オペレーターに基づいて、ポーズから幾何学をアンタングルするカプセルネットワークを構築します。
論文 参考訳（メタデータ） (2019-12-27T13:51:17Z)
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。