論文の概要: Neural Error Covariance Estimation for Precise LiDAR Localization

• arxiv url: http://arxiv.org/abs/2501.02558v1
• Date: Sun, 05 Jan 2025 14:20:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-07 17:06:12.496507
• Title: Neural Error Covariance Estimation for Precise LiDAR Localization
• Title（参考訳）: 高精度LiDAR位置推定のためのニューラルエラー共分散推定
• Authors: Minoo Dolatabadi, Fardin Ayar, Ehsan Javanmardi, Manabu Tsukada, Mahdi Javanmardi,
• Abstract要約: 本稿では,LiDARマップマッチングにおける局所化誤差の共分散を予測するニューラルネットワークベースのフレームワークを提案する。 評価では,局所化精度が2cm向上し,領域が大幅に向上した。
• 参考スコア（独自算出の注目度）: 1.8874331450711404
• License:
• Abstract: Autonomous vehicles have gained significant attention due to technological advancements and their potential to transform transportation. A critical challenge in this domain is precise localization, particularly in LiDAR-based map matching, which is prone to errors due to degeneracy in the data. Most sensor fusion techniques, such as the Kalman filter, rely on accurate error covariance estimates for each sensor to improve localization accuracy. However, obtaining reliable covariance values for map matching remains a complex task. To address this challenge, we propose a neural network-based framework for predicting localization error covariance in LiDAR map matching. To achieve this, we introduce a novel dataset generation method specifically designed for error covariance estimation. In our evaluation using a Kalman filter, we achieved a 2 cm improvement in localization accuracy, a significant enhancement in this domain.
• Abstract（参考訳）: 自動運転車は、技術進歩と輸送を変革する可能性により、大きな注目を集めている。 この領域における重要な課題は、特にLiDARベースのマップマッチングにおける正確なローカライゼーションである。 カルマンフィルタのようなほとんどのセンサ融合技術は、各センサの正確な誤差共分散推定に頼り、ローカライゼーション精度を向上させる。 しかし、写像マッチングに対する信頼性のある共分散値を得るのは、依然として複雑な作業である。 この課題に対処するために,LiDARマップマッチングにおける局所化誤差の共分散を予測するニューラルネットワークベースのフレームワークを提案する。 そこで本研究では,誤差共分散推定に特化して設計された新しいデータセット生成手法を提案する。 カルマンフィルタを用いた評価では,局所化精度が2cm向上し,領域の大幅な向上を実現した。

関連論文リスト

• Sharp error estimates for target measure diffusion maps with applications to the committor problem [0.0]
  ターゲット測度拡散マップ(TMDmap)の整合性誤差に対する鋭い誤差推定値(Banisch et al. 2020)を得る。 結果として生じる収束速度はグラフラプラシアンの近似理論と一致する。 これらの結果を用いて、過度に破壊されたランゲヴィン力学によって支配されるシステムにおける希少事象の解析におけるTMDmapの重要な応用について研究する。
  論文  参考訳（メタデータ） (2023-12-22T03:52:17Z)
• ICET Online Accuracy Characterization for Geometry-Based Laser Scan Matching [0.0]
  Iterative Closest Ellipsoidal Transform (ICET)は、新しい3D LIDARスキャンマッチングアルゴリズムである。 ICETは、常にサブセンチメートルの精度でスキャンマッチングを行うことを示す。 このレベルの精度は、アルゴリズムが完全に解釈可能であるという事実と相まって、安全クリティカルな輸送用途に適している。
  論文  参考訳（メタデータ） (2023-06-14T18:21:45Z)
• DAC: Detector-Agnostic Spatial Covariances for Deep Local Features [11.494662473750505]
  現在の深部視覚特徴検出器は検出された特徴の空間的不確かさをモデル化していない。 本稿では,事前訓練したディープ特徴検出器に接続可能な2つのポストホック共分散推定法を提案する。
  論文  参考訳（メタデータ） (2023-05-20T17:43:09Z)
• E2N: Error Estimation Networks for Goal-Oriented Mesh Adaptation [6.132664589282657]
  我々は、適切に構成され、訓練されたニューラルネットワークを用いて、「データ駆動型」目標指向メッシュ適応アプローチを開発する。 ここでは要素単位の構成を用い、メッシュ幾何学に関連する様々なパラメータの局所値を入力とする。 提案手法は計算コストを削減して同じ精度が得られることを示す。
  論文  参考訳（メタデータ） (2022-07-22T17:41:37Z)
• Rethinking Spatial Invariance of Convolutional Networks for Object Counting [119.83017534355842]
  局所連結ガウス核を用いて元の畳み込みフィルタを置き換え、密度写像の空間位置を推定する。 従来の研究から着想を得て,大規模なガウス畳み込みの近似を好意的に実装するために,翻訳不変性を伴う低ランク近似を提案する。 提案手法は,他の最先端手法を著しく上回り,物体の空間的位置の有望な学習を実現する。
  論文  参考訳（メタデータ） (2022-06-10T17:51:25Z)
• Equivariance Discovery by Learned Parameter-Sharing [153.41877129746223]
  データから解釈可能な等価性を発見する方法について検討する。 具体的には、モデルのパラメータ共有方式に対する最適化問題として、この発見プロセスを定式化する。 また,ガウスデータの手法を理論的に解析し,研究された発見スキームとオラクルスキームの間の平均2乗ギャップを限定する。
  論文  参考訳（メタデータ） (2022-04-07T17:59:19Z)
• Robust Self-Supervised LiDAR Odometry via Representative Structure Discovery and 3D Inherent Error Modeling [67.75095378830694]
  そこで我々は,2段階のオドメトリ推定ネットワークを構築し,一連の部分領域変換を推定してエゴモーメントを求める。 本稿では,トレーニング,推論,マッピングフェーズにおける信頼できない構造の影響を軽減することを目的とする。 我々の2フレームのオードメトリーは、翻訳/回転誤差の点で、過去の芸術の状態を16%/12%上回っている。
  論文  参考訳（メタデータ） (2022-02-27T12:52:27Z)
• Meta Learning Low Rank Covariance Factors for Energy-Based Deterministic Uncertainty [58.144520501201995]
  ニューラルネットワーク層のBi-Lipschitz正規化は、各レイヤの特徴空間におけるデータインスタンス間の相対距離を保存する。 注意セットエンコーダを用いて,タスク固有の共分散行列を効率的に構築するために,対角的,対角的,低ランクな要素のメタ学習を提案する。 また,最終的な予測分布を達成するために,スケールしたエネルギーを利用する推論手法を提案する。
  論文  参考訳（メタデータ） (2021-10-12T22:04:19Z)
• Making Affine Correspondences Work in Camera Geometry Computation [62.7633180470428]
  局所的な特徴は、ポイント・ツー・ポイント対応ではなく、リージョン・ツー・リージョンを提供する。 本稿では,全モデル推定パイプラインにおいて,地域間マッチングを効果的に活用するためのガイドラインを提案する。 実験により、アフィンソルバはより高速な実行時にポイントベースソルバに匹敵する精度を達成できることが示された。
  論文  参考訳（メタデータ） (2020-07-20T12:07:48Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)

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。