論文の概要: Camera-Based Localization and Enhanced Normalized Mutual Information
- arxiv url: http://arxiv.org/abs/2412.16137v1
- Date: Fri, 20 Dec 2024 18:35:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-23 16:19:40.360506
- Title: Camera-Based Localization and Enhanced Normalized Mutual Information
- Title（参考訳）: カメラによる局所化と正規化相互情報の強化
- Authors: Vishnu Teja Kunde, Jean-Francois Chamberland, Siddharth Agarwal,
- Abstract要約: 自律運転にはロバストかつ微細なローカライゼーションアルゴリズムが不可欠である。
本研究は、車両に搭載された安価なカメラによって撮影された画像からセンサデータが得られたシナリオを考察する。
そして、ノイズの多い環境でこれらのアルゴリズムの性能を著しく向上させるために、新規で原則化された修正を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: Robust and fine localization algorithms are crucial for autonomous driving. For the production of such vehicles as a commodity, affordable sensing solutions and reliable localization algorithms must be designed. This work considers scenarios where the sensor data comes from images captured by an inexpensive camera mounted on the vehicle and where the vehicle contains a fine global map. Such localization algorithms typically involve finding the section in the global map that best matches the captured image. In harsh environments, both the global map and the captured image can be noisy. Because of physical constraints on camera placement, the image captured by the camera can be viewed as a noisy perspective transformed version of the road in the global map. Thus, an optimal algorithm should take into account the unequal noise power in various regions of the captured image, and the intrinsic uncertainty in the global map due to environmental variations. This article briefly reviews two matching methods: (i) standard inner product (SIP) and (ii) normalized mutual information (NMI). It then proposes novel and principled modifications to improve the performance of these algorithms significantly in noisy environments. These enhancements are inspired by the physical constraints associated with autonomous vehicles. They are grounded in statistical signal processing and, in some context, are provably better. Numerical simulations demonstrate the effectiveness of such modifications.
- Abstract（参考訳）: 自律運転にはロバストかつ微細なローカライゼーションアルゴリズムが不可欠である。
商品化のためには、安価なセンシングソリューションと信頼性の高いローカライゼーションアルゴリズムを設計する必要がある。
本研究は、車両に搭載された安価なカメラが捉えた画像と、車両が細かなグローバルマップを含む画像からセンサデータを得るシナリオについて考察する。
このようなローカライゼーションアルゴリズムは、典型的には、キャプチャされた画像に最もよく一致するグローバルマップのセクションを見つけることを伴う。
厳しい環境では、グローバルマップとキャプチャされた画像の両方がうるさい。
カメラ配置に物理的な制約があるため、カメラが捉えた画像は、グローバルマップ内の道路のノイズの多いパースペクティブ変換版と見ることができる。
したがって, 撮像画像の様々な領域における不均質なノイズパワーと, 環境変動による世界地図の本質的な不確かさを考慮し, 最適アルゴリズムを適用すべきである。
本稿では,2つのマッチング方法を概観する。
(i)標準内製品(SIP)及び
(二)正規化相互情報(NMI)
そして、ノイズの多い環境でこれらのアルゴリズムの性能を著しく向上させるために、新規で原則化された修正を提案する。
これらの強化は、自動運転車に関連する物理的な制約にインスパイアされている。
それらは統計信号処理に基礎を置いており、ある意味では確実に優れている。
数値シミュレーションは、このような修正の有効性を実証する。
関連論文リスト
- Neural Semantic Map-Learning for Autonomous Vehicles [85.8425492858912]
本稿では,道路環境のコヒーレントな地図を作成するために,車両群から収集した局所部分写像を中心インスタンスに融合するマッピングシステムを提案する。
本手法は,シーン特異的なニューラルサイン距離場を用いて,雑音と不完全局所部分写像を併用する。
我々は,記憶効率の高いスパース機能グリッドを活用して大規模にスケールし,シーン再構築における不確実性をモデル化するための信頼スコアを導入する。
論文 参考訳（メタデータ） (2024-10-10T10:10:03Z) - Automated Camera Calibration via Homography Estimation with GNNs [8.786192891436686]
政府や地方自治体は、道路の安全と交通条件の最適化のために、カメラから収集したデータにますます依存している。
カメラの正確な校正と自動校正を確実にすることが不可欠である。
本稿では,交差点のトポロジ的構造を利用して,この課題に対処する新しい手法を提案する。
論文 参考訳（メタデータ） (2023-11-05T08:45:26Z) - CarPatch: A Synthetic Benchmark for Radiance Field Evaluation on Vehicle
Components [77.33782775860028]
車両の新たな総合ベンチマークであるCarPatchを紹介する。
内在カメラパラメータと外在カメラパラメータを付加した画像のセットに加えて、各ビューに対して対応する深度マップとセマンティックセグメンテーションマスクが生成されている。
グローバルとパートベースのメトリクスは、いくつかの最先端技術を評価し、比較し、より良い特徴付けるために定義され、使われてきた。
論文 参考訳（メタデータ） (2023-07-24T11:59:07Z) - Street-View Image Generation from a Bird's-Eye View Layout [95.36869800896335]
近年,Bird's-Eye View (BEV) の知覚が注目されている。
自動運転のためのデータ駆動シミュレーションは、最近の研究の焦点となっている。
本稿では,現実的かつ空間的に一貫した周辺画像を合成する条件生成モデルであるBEVGenを提案する。
論文 参考訳（メタデータ） (2023-01-11T18:39:34Z) - 6D Camera Relocalization in Visually Ambiguous Extreme Environments [79.68352435957266]
本研究では,深海や地球外地形などの極端な環境下で得られた画像の列から,カメラのポーズを確実に推定する手法を提案する。
本手法は,室内ベンチマーク (7-Scenes データセット) における最先端手法と同等の性能を20%のトレーニングデータで達成する。
論文 参考訳（メタデータ） (2022-07-13T16:40:02Z) - Towards Generalizable Person Re-identification with a Bi-stream
Generative Model [81.0989316825134]
そこで我々は,BGM (Bi-stream Generative Model) を提案する。
提案手法は,大規模な一般化可能なre-IDベンチマークにおいて,最先端の手法よりも優れている。
論文 参考訳（メタデータ） (2022-06-19T09:18:25Z) - Beyond Cross-view Image Retrieval: Highly Accurate Vehicle Localization
Using Satellite Image [91.29546868637911]
本稿では,地上画像と架空衛星地図とをマッチングすることにより,車載カメラのローカライゼーションの問題に対処する。
鍵となる考え方は、タスクをポーズ推定として定式化し、ニューラルネットベースの最適化によってそれを解くことである。
標準自動運転車のローカライゼーションデータセットの実験により,提案手法の優位性が確認された。
論文 参考訳（メタデータ） (2022-04-10T19:16:58Z) - Coarse-to-fine Semantic Localization with HD Map for Autonomous Driving
in Structural Scenes [1.1024591739346292]
カメラを主センサとする自動運転のためのHDマップを用いたコスト効率の高い車両位置決めシステムを提案する。
視覚的セマンティクスをHDマップのランドマークにマップするデータアソシエーション問題として視覚に基づくローカライゼーションを定式化する。
本手法を2つのデータセット上で評価し,提案手法が異なる運転シナリオにおいて有望なローカライゼーション結果をもたらすことを示す。
論文 参考訳（メタデータ） (2021-07-06T11:58:55Z) - Localization of Autonomous Vehicles: Proof of Concept for A Computer
Vision Approach [0.0]
本稿では,複雑なハードウェアシステムやカメラがなくても動作する自律走行車(AV)の視覚的ローカライズ手法を提案する。
提案システムは,KITTIデータセットを用いてテストし,車両の最終的な位置を求める際に平均2mの精度を示した。
論文 参考訳（メタデータ） (2021-04-06T21:09:47Z) - Domain-invariant Similarity Activation Map Contrastive Learning for
Retrieval-based Long-term Visual Localization [30.203072945001136]
本研究では,多領域画像変換による領域不変特徴抽出のために,確率論的に一般アーキテクチャを定式化する。
そして、より精密な局所化のために、新しい勾配重み付き類似性活性化写像損失(Grad-SAM)を組み込んだ。
CMUSeasonsデータセットにおける提案手法の有効性を検証するために大規模な実験が行われた。
我々の性能は、最先端のイメージベースのローカライゼーションベースラインを中あるいは高精度で上回るか、あるいは上回る。
論文 参考訳（メタデータ） (2020-09-16T14:43:22Z) - A Sim2Real Deep Learning Approach for the Transformation of Images from
Multiple Vehicle-Mounted Cameras to a Semantically Segmented Image in Bird's
Eye View [0.0]
カメラの視点を鳥の視線(BEV)に変換すると、距離をより容易に推定できる。
本稿では,複数の車載カメラから補正された360度BEV画像を得る方法について述べる。
ニューラルネットワークのアプローチは、手動でラベル付けされたデータに頼るのではなく、実世界のデータに対してうまく一般化するように、合成データセットでトレーニングされる。
論文 参考訳（メタデータ） (2020-05-08T14:54:13Z)
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。