論文の概要: Visual-Inertial SLAM for Agricultural Robotics: Benchmarking the Benefits and Computational Costs of Loop Closing

• arxiv url: http://arxiv.org/abs/2408.01716v1
• Date: Sat, 3 Aug 2024 09:10:38 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-06 18:51:05.642696
• Title: Visual-Inertial SLAM for Agricultural Robotics: Benchmarking the Benefits and Computational Costs of Loop Closing
• Title（参考訳）: 農業ロボットのための視覚慣性SLAM:ループ閉鎖の利点と計算コストのベンチマーク
• Authors: Fabian Schmidt, Constantin Blessing, Markus Enzweiler, Abhinav Valada,
• Abstract要約: 本稿では,ORB-SLAM3,VINS-Fusion,OpenVINS,Kimera,SVO ProなどのオープンソースのVisual-Inertial SLAMシステムを用いて,農業環境における性能評価を行う。 本稿では,ループ閉鎖が局所化精度と計算要求に与える影響に着目し,実環境におけるこれらのシステムの有効性を包括的に分析する。
• 参考スコア（独自算出の注目度）: 8.711135744156564
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Simultaneous Localization and Mapping (SLAM) is essential for mobile robotics, enabling autonomous navigation in dynamic, unstructured outdoor environments without relying on external positioning systems. In agricultural applications, where environmental conditions can be particularly challenging due to variable lighting or weather conditions, Visual-Inertial SLAM has emerged as a potential solution. This paper benchmarks several open-source Visual-Inertial SLAM systems, including ORB-SLAM3, VINS-Fusion, OpenVINS, Kimera, and SVO Pro, to evaluate their performance in agricultural settings. We focus on the impact of loop closing on localization accuracy and computational demands, providing a comprehensive analysis of these systems' effectiveness in real-world environments and especially their application to embedded systems in agricultural robotics. Our contributions further include an assessment of varying frame rates on localization accuracy and computational load. The findings highlight the importance of loop closing in improving localization accuracy while managing computational resources efficiently, offering valuable insights for optimizing Visual-Inertial SLAM systems for practical outdoor applications in mobile robotics.
• Abstract（参考訳）: 動的で非構造的な屋外環境において、外部位置決めシステムに頼ることなく自律的なナビゲーションを可能にする。 農業分野では、様々な照明や気象条件のために環境条件が特に困難な場合があり、視覚慣性SLAMが潜在的な解決策として出現している。 本稿では,ORB-SLAM3,VINS-Fusion,OpenVINS,Kimera,SVO ProなどのオープンソースのVisual-Inertial SLAMシステムを用いて,農業環境における性能評価を行う。 実環境におけるこれらのシステムの有効性を包括的に分析し,特に農業ロボティクスにおける組込みシステムへの適用について検討する。 我々の貢献には、ローカライズ精度と計算負荷に対する様々なフレームレートの評価も含まれる。 この知見は,モバイルロボティクスにおける実用的な屋外応用のための視覚-慣性SLAMシステムの最適化に有用な洞察を提供するとともに,計算資源を効率的に管理しながら,ローカライズ精度を向上させるためのループクローズの重要性を強調した。

関連論文リスト

• ROVER: A Multi-Season Dataset for Visual SLAM [8.711135744156564]
  ROVERは、様々な環境条件下で視覚SLAMアルゴリズムを評価するためのベンチマークデータセットである。 5つの屋外に39の録音があり、季節ごとの収集と様々な照明のシナリオがある。 その結果, 立体慣性およびRGB-D構成は, 照度や適度な植生よりも良好であるのに対し, SLAMシステムの多くは低照度・高植生のシナリオでは不十分であることがわかった。
  論文  参考訳（メタデータ） (2024-12-03T15:34:00Z)
• Learning Where to Look: Self-supervised Viewpoint Selection for Active Localization using Geometrical Information [68.10033984296247]
  本稿では, 位置決めの精度を高めるために, 視点選択の重要性を強調し, アクティブな位置決め領域について検討する。 私たちのコントリビューションは、リアルタイム操作用に設計されたシンプルなアーキテクチャ、自己教師付きデータトレーニング方法、および実世界のロボティクスアプリケーションに適した計画フレームワークにマップを一貫して統合する能力による、データ駆動型アプローチの使用に関するものです。
  論文  参考訳（メタデータ） (2024-07-22T12:32:09Z)
• Particle Filter SLAM for Vehicle Localization [2.45723043286596]
  本研究では,粒子フィルタSLAM法を用いてSLAMの課題に対処する。 提案手法は,車両動作の正確な推定を可能にするために,符号化データと光ジャイロ(FOG)情報を利用する。 これらのデータストリームの統合は、Particle Filter SLAMフレームワークの確立に繋がる。
  論文  参考訳（メタデータ） (2024-02-12T06:06:09Z)
• Efficiency Pentathlon: A Standardized Arena for Efficiency Evaluation [82.85015548989223]
  Pentathlonは、モデル効率の総合的で現実的な評価のためのベンチマークである。 Pentathlonは、モデルライフサイクルにおける計算の大部分を占める推論に焦点を当てている。 レイテンシ、スループット、メモリオーバーヘッド、エネルギー消費など、さまざまな効率面をターゲットにしたメトリクスが組み込まれている。
  論文  参考訳（メタデータ） (2023-07-19T01:05:33Z)
• A Comparative Study of Machine Learning Algorithms for Anomaly Detection in Industrial Environments: Performance and Environmental Impact [62.997667081978825]
  本研究は,環境の持続可能性を考慮した高性能機械学習モデルの要求に応えることを目的としている。 Decision TreesやRandom Forestsといった従来の機械学習アルゴリズムは、堅牢な効率性とパフォーマンスを示している。 しかし, 資源消費の累積増加にもかかわらず, 最適化された構成で優れた結果が得られた。
  論文  参考訳（メタデータ） (2023-07-01T15:18:00Z)
• Closing the loop: Autonomous experiments enabled by machine-learning-based online data analysis in synchrotron beamline environments [80.49514665620008]
  機械学習は、大規模または高速に生成されたデータセットを含む研究を強化するために使用できる。 本研究では,X線反射法(XRR)のための閉ループワークフローへのMLの導入について述べる。 本研究では,ビームライン制御ソフトウェア環境に付加的なソフトウェア依存関係を導入することなく,実験中の基本データ解析をリアルタイムで行うソリューションを提案する。
  論文  参考訳（メタデータ） (2023-06-20T21:21:19Z)
• PLD-SLAM: A Real-Time Visual SLAM Using Points and Line Segments in Dynamic Scenes [0.0]
  本稿では,点と線の特徴を組み合わせたリアルタイムステレオ間接視覚SLAMシステム PLD-SLAMを提案する。 また,適切な選択と効率的なループ閉鎖検出を実現するため,グローバルグレー類似度(GGS)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-07-22T07:40:00Z)
• Optical flow-based branch segmentation for complex orchard environments [73.11023209243326]
  シミュレーションでは、シミュレーションでは、シミュレーションされたRGBデータと光フローのみを用いてニューラルネットワークシステムを訓練する。 このニューラルネットワークは、忙しい果樹園環境において、追加の現実世界のトレーニングや、標準カメラ以外の特別な設定や機器を使用することなく、前景の枝のセグメンテーションを行うことができる。 その結果,本システムは高精度であり,手動ラベル付きRGBDデータを用いたネットワークと比較すると,トレーニングセットと異なる環境において,より一貫性と堅牢性を実現していることがわかった。
  論文  参考訳（メタデータ） (2022-02-26T03:38:20Z)
• Indoor Point-to-Point Navigation with Deep Reinforcement Learning and Ultra-wideband [1.6799377888527687]
  移動障害や非視線発生はノイズや信頼性の低い信号を生成する。 深部強化学習(RL)で学習した電力効率のよい局所プランナーが,ノイズショートレンジ誘導システムの完全解法として頑健かつ弾力性を持つことを示す。 この結果から, 計算効率のよいエンドツーエンドポリシは, 堅牢でスケーラブルで, 最先端の低コストナビゲーションシステムを実現することができることがわかった。
  論文  参考訳（メタデータ） (2020-11-18T12:30:36Z)
• SLAM in the Field: An Evaluation of Monocular Mapping and Localization on Challenging Dynamic Agricultural Environment [12.666030953871186]
  本稿では,オフラインとリアルタイムのMulti-View Stereo(MVS)再構成アルゴリズムと,スパース,間接的,単眼的視覚SLAMを組み合わせたシステムについて述べる。 モノクロSLAMを使用することで、LiDARに依存しないため、既存のデバイスとの統合がずっと簡単になります。
  論文  参考訳（メタデータ） (2020-11-02T16:53:35Z)
• Object-based Illumination Estimation with Rendering-aware Neural Networks [56.01734918693844]
  個々の物体とその局所画像領域のRGBD外観から高速環境光推定手法を提案する。 推定照明により、仮想オブジェクトは実際のシーンと一貫性のあるシェーディングでARシナリオでレンダリングできる。
  論文  参考訳（メタデータ） (2020-08-06T08:23:19Z)

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。