論文の概要: Why Sample Space Matters: Keyframe Sampling Optimization for LiDAR-based Place Recognition
- arxiv url: http://arxiv.org/abs/2410.02643v2
- Date: Wed, 19 Feb 2025 12:54:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-20 13:55:51.501644
- Title: Why Sample Space Matters: Keyframe Sampling Optimization for LiDAR-based Place Recognition
- Title(参考訳): なぜサンプル空間が重要か:LiDARを用いた位置認識のための鍵フレームサンプリング最適化
- Authors: Nikolaos Stathoulopoulos, Vidya Sumathy, Christoforos Kanellakis, George Nikolakopoulos,
- Abstract要約: サンプル空間の概念を導入し,LiDARを用いた位置認識のための新しいサンプリング手法を提案する。
このアプローチは、さまざまなデータセット間で堅牢なパフォーマンスを示し、屋内シナリオから屋外シナリオへのシームレスな適応を可能にします。
- 参考スコア(独自算出の注目度): 6.468510459310326
- License:
- Abstract: Recent advances in robotics are driving real-world autonomy for long-term and large-scale missions, where loop closures via place recognition are vital for mitigating pose estimation drift. However, achieving real-time performance remains challenging for resource-constrained mobile robots and multi-robot systems due to the computational burden of high-density sampling, which increases the complexity of comparing and verifying query samples against a growing map database. Conventional methods often retain redundant information or miss critical data by relying on fixed sampling intervals or operating in 3-D space instead of the descriptor feature space. To address these challenges, we introduce the concept of sample space and propose a novel keyframe sampling approach for LiDAR-based place recognition. Our method minimizes redundancy while preserving essential information in the hyper-dimensional descriptor space, supporting both learning-based and handcrafted descriptors. The proposed approach incorporates a sliding window optimization strategy to ensure efficient keyframe selection and real-time performance, enabling seamless integration into robotic pipelines. In sum, our approach demonstrates robust performance across diverse datasets, with the ability to adapt seamlessly from indoor to outdoor scenarios without parameter tuning, reducing loop closure detection times and memory requirements.
- Abstract(参考訳): ロボット工学の最近の進歩は、位置認識によるループ閉鎖が、ポーズ推定ドリフトの緩和に不可欠である長期的および大規模ミッションにおいて、現実の自律性を推進している。
しかし,高密度サンプリングの計算負担のため,資源制約のある移動ロボットやマルチロボットシステムではリアルタイム性能の実現は依然として困難であり,クエリサンプルと地図データベースの比較と検証の複雑さが増大する。
従来の手法では、ディスクリプタの特徴空間の代わりに、固定されたサンプリング間隔を頼りにしたり、3次元空間で操作したりすることで、余分な情報を保持したり、クリティカルなデータを見逃したりすることが多い。
これらの課題に対処するため、サンプル空間の概念を導入し、LiDARを用いた位置認識のための新しいキーフレームサンプリング手法を提案する。
本手法は,超次元ディスクリプタ空間において重要な情報を保持しながら,冗長性を最小化し,学習ベースと手作りのディスクリプタの両方をサポートする。
提案手法は,効率的なキーフレーム選択とリアルタイムパフォーマンスを確保するためのスライディングウィンドウ最適化戦略を取り入れ,ロボットパイプラインへのシームレスな統合を実現する。
提案手法は,パラメータチューニングを伴わずに屋内から屋外のシナリオにシームレスに適応し,ループクロージャ検出時間とメモリ要求を低減し,多様なデータセット間で堅牢な性能を示す。
関連論文リスト
- A Minimal Subset Approach for Efficient and Scalable Loop Closure [7.066382982173528]
大規模および長期のミッションにおけるループ検出は、計算的に要求される。
キーフレームサンプリングは、バックエンドシステムに格納され、処理されるフレームの数を減らし、これを緩和する。
本稿では,ポーズグラフ最適化とループ閉鎖検出の併用問題に対する最適化サンプリングのギャップを解消する。
論文 参考訳(メタデータ) (2025-01-03T12:48:01Z) - OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。
OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。
最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
論文 参考訳(メタデータ) (2024-09-14T07:44:22Z) - OverlapMamba: Novel Shift State Space Model for LiDAR-based Place Recognition [10.39935021754015]
位置認識のための新しいネットワークであるOverlapMambaを開発した。
本手法は,以前に訪れた場所を異なる方向から横断する場合でも,ループの閉鎖を効果的に検出する。
生のレンジビューの入力に基づいて、典型的なLiDARと複数ビューの組み合わせ法を時間的複雑さと速度で上回っている。
論文 参考訳(メタデータ) (2024-05-13T17:46:35Z) - Cross-Cluster Shifting for Efficient and Effective 3D Object Detection
in Autonomous Driving [69.20604395205248]
本稿では,自律運転における3次元物体検出のための3次元点検出モデルであるShift-SSDを提案する。
我々は、ポイントベース検出器の表現能力を解き放つために、興味深いクロスクラスタシフト操作を導入する。
我々は、KITTI、ランタイム、nuScenesデータセットに関する広範な実験を行い、Shift-SSDの最先端性能を実証した。
論文 参考訳(メタデータ) (2024-03-10T10:36:32Z) - TimePillars: Temporally-Recurrent 3D LiDAR Object Detection [8.955064958311517]
TimePillarsは時間的にリカレントなオブジェクト検出パイプラインである。
時間にわたってLiDARデータの柱表現を利用する。
基礎的なビルディングブロックがいかに堅牢で効率的な結果を得るのに十分なかを示す。
論文 参考訳(メタデータ) (2023-12-22T10:25:27Z) - Layout Sequence Prediction From Noisy Mobile Modality [53.49649231056857]
軌道予測は、自律運転やロボット工学などの応用における歩行者運動を理解する上で重要な役割を担っている。
現在の軌道予測モデルは、視覚的モダリティからの長い、完全な、正確に観察されたシーケンスに依存する。
本稿では,物体の障害物や視界外を,完全に視認できる軌跡を持つものと同等に扱う新しいアプローチであるLTrajDiffを提案する。
論文 参考訳(メタデータ) (2023-10-09T20:32:49Z) - UnLoc: A Universal Localization Method for Autonomous Vehicles using
LiDAR, Radar and/or Camera Input [51.150605800173366]
UnLocは、全ての気象条件におけるマルチセンサー入力によるローカライズのための、新しい統一型ニューラルネットワークアプローチである。
本手法は,Oxford Radar RobotCar,Apollo SouthBay,Perth-WAの各データセットで広く評価されている。
論文 参考訳(メタデータ) (2023-07-03T04:10:55Z) - TReR: A Lightweight Transformer Re-Ranking Approach for 3D LiDAR Place
Recognition [2.6619797838632966]
3D LiDARに基づくローカライズ手法では, 検索に基づく位置認識を用いて, 効率よく再訪場所を見つけることができる。
この研究は、情報検索の観点からこの問題に取り組み、ファーストレトリーブ・then-re-levelパラダイムを採用する。
提案手法は,場所認識モデルに依存せず,グローバルな記述子のみに依存する。
論文 参考訳(メタデータ) (2023-05-29T11:10:38Z) - Modeling Continuous Motion for 3D Point Cloud Object Tracking [54.48716096286417]
本稿では,各トラックレットを連続ストリームとみなす新しいアプローチを提案する。
各タイムスタンプでは、現在のフレームだけがネットワークに送られ、メモリバンクに格納された複数フレームの履歴機能と相互作用する。
頑健な追跡のためのマルチフレーム機能の利用性を高めるために,コントラッシブシーケンス強化戦略を提案する。
論文 参考訳(メタデータ) (2023-03-14T02:58:27Z) - Fast Distributionally Robust Learning with Variance Reduced Min-Max
Optimization [85.84019017587477]
分散的ロバストな教師付き学習は、現実世界のアプリケーションのための信頼性の高い機械学習システムを構築するための重要なパラダイムとして登場している。
Wasserstein DRSLを解くための既存のアルゴリズムは、複雑なサブプロブレムを解くか、勾配を利用するのに失敗する。
我々はmin-max最適化のレンズを通してwaserstein drslを再検討し、スケーラブルで効率的に実装可能な超勾配アルゴリズムを導出する。
論文 参考訳(メタデータ) (2021-04-27T16:56:09Z) - Laser2Vec: Similarity-based Retrieval for Robotic Perception Data [7.538482310185135]
本稿では,多くのデプロイメントから2次元LiDARデータを安価に保存するシステムを実装し,完全・部分スキャンのためのトップクェリを効率よく評価する。
我々は畳み込み変分オートエンコーダを用いてレーザスキャンの圧縮表現を生成し、それらをデータベースに格納する。
我々は,ロボットが同じ場所に遭遇した複数のエピソードにまたがって,類似のスキャンを高精度かつ効率的に検出する。
論文 参考訳(メタデータ) (2020-07-30T21:11:50Z)
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。