論文の概要: GOTLoc: General Outdoor Text-based Localization Using Scene Graph Retrieval with OpenStreetMap
- arxiv url: http://arxiv.org/abs/2501.08575v1
- Date: Wed, 15 Jan 2025 04:51:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-16 15:51:50.166935
- Title: GOTLoc: General Outdoor Text-based Localization Using Scene Graph Retrieval with OpenStreetMap
- Title（参考訳）: GOTLOC: OpenStreetMapを用いたScene Graph Retrievalを用いた汎用アウトドアテキストベースのローカライゼーション
- Authors: Donghwi Jung, Keonwoo Kim, Seong-Woo Kim,
- Abstract要約: GOTLOCは,GPS信号が利用できない屋外環境でも動作可能な,ロバストな位置決め手法である。
本手法は,テキスト記述と地図から生成されたシーングラフの比較を利用して,ロバストなローカライゼーションを実現する。
提案手法は,ポイントクラウドマップに依存するアルゴリズムに匹敵する精度を実現する。
- 参考スコア（独自算出の注目度）: 4.51019574688293
- License:
- Abstract: We propose GOTLoc, a robust localization method capable of operating even in outdoor environments where GPS signals are unavailable. The method achieves this robust localization by leveraging comparisons between scene graphs generated from text descriptions and maps. Existing text-based localization studies typically represent maps as point clouds and identify the most similar scenes by comparing embeddings of text and point cloud data. However, point cloud maps have limited scalability as it is impractical to pre-generate maps for all outdoor spaces. Furthermore, their large data size makes it challenging to store and utilize them directly on actual robots. To address these issues, GOTLoc leverages compact data structures, such as scene graphs, to store spatial information, enabling individual robots to carry and utilize large amounts of map data. Additionally, by utilizing publicly available map data, such as OpenStreetMap, which provides global information on outdoor spaces, we eliminate the need for additional effort to create custom map data. For performance evaluation, we utilized the KITTI360Pose dataset in conjunction with corresponding OpenStreetMap data to compare the proposed method with existing approaches. Our results demonstrate that the proposed method achieves accuracy comparable to algorithms relying on point cloud maps. Moreover, in city-scale tests, GOTLoc required significantly less storage compared to point cloud-based methods and completed overall processing within a few seconds, validating its applicability to real-world robotics. Our code is available at https://github.com/donghwijung/GOTLoc.
- Abstract（参考訳）: GOTLOCは,GPS信号が利用できない屋外環境でも動作可能な,ロバストな位置決め手法である。
本手法は,テキスト記述と地図から生成されたシーングラフの比較を利用して,ロバストなローカライゼーションを実現する。
既存のテキストベースのローカライゼーション研究は、通常、地図をポイントクラウドとして表現し、テキストとポイントクラウドデータの埋め込みを比較することで、最も類似したシーンを識別する。
しかし、点クラウドマップはすべての屋外空間に対して事前生成することができないため、拡張性に制限がある。
さらに、その大きなデータサイズは、実際のロボットに直接保存して利用することを困難にしている。
これらの問題に対処するため、GOTLocはシーングラフのようなコンパクトなデータ構造を利用して空間情報を格納し、個々のロボットが大量の地図データを運べるようにしている。
さらに、屋外空間のグローバルな情報を提供するOpenStreetMapのような公開地図データを活用することで、カスタムマップデータを作成するための追加の労力が不要になる。
提案手法を既存手法と比較するために,KITTI360Poseデータセットと対応するOpenStreetMapデータを用いた。
提案手法は,ポイントクラウドマップに依存するアルゴリズムに匹敵する精度を実現する。
さらに、都市規模のテストでは、GOTLOCはポイントクラウドベースの方法に比べてストレージを著しく少なくし、全体の処理を数秒で完了し、実際のロボット工学への適用性を検証する。
私たちのコードはhttps://github.com/donghwijung/GOTLoc.comで利用可能です。
関連論文リスト
- Open-Vocabulary Octree-Graph for 3D Scene Understanding [54.11828083068082]
Octree-Graphはオープンな3Dシーン理解のための新しいシーン表現である。
セマンティクスを記憶し、その形状に応じてオブジェクトの占有度を調節するアダプティブ・オクツリー構造を開発する。
論文 参考訳（メタデータ） (2024-11-25T10:14:10Z) - PRISM-TopoMap: Online Topological Mapping with Place Recognition and Scan Matching [42.74395278382559]
本稿では,局所的な位置のグラフを保持するトポロジカルマッピング手法であるPRISM-TopoMapを紹介する。
提案手法は,ローカライゼーションとループ閉鎖のためのスキャンマッチングパイプラインと組み合わせた学習可能なマルチモーダル位置認識を含む。
提案手法の広範な実験的評価を,写真実写環境および実ロボット上で行った。
論文 参考訳（メタデータ） (2024-04-02T06:25:16Z) - DUFOMap: Efficient Dynamic Awareness Mapping [3.3580006471376205]
現実世界のダイナミックな性質は、ロボット工学における大きな課題の1つだ。
現在のソリューションは後処理によく適用され、パラメータチューニングによって特定のデータセットの設定を調整することができる。
本研究では,効率的なオンライン処理を目的とした動的認識マッピングフレームワークであるDUFOMapを提案する。
論文 参考訳（メタデータ） (2024-03-03T09:07:16Z) - Loopy-SLAM: Dense Neural SLAM with Loop Closures [53.11936461015725]
ポーズをグローバルに最適化するLoopy-SLAMと高密度3Dモデルを導入する。
我々は,データ駆動のポイントベースサブマップ生成手法を用いてフレーム・ツー・モデル追跡を行い,グローバルな位置認識を行うことで,オンラインのループクロージャをトリガーする。
合成Replicaおよび実世界のTUM-RGBDおよびScanNetデータセットの評価は、既存の高密度ニューラルネットワークRGBD SLAM法と比較して、追跡、マッピング、レンダリングの精度の競争力または優れた性能を示す。
論文 参考訳（メタデータ） (2024-02-14T18:18:32Z) - Neural Implicit Dense Semantic SLAM [83.04331351572277]
本稿では,屋内シーンのメモリ効率,高密度な3次元形状,セマンティックセマンティックセグメンテーションをオンラインで学習する新しいRGBD vSLAMアルゴリズムを提案する。
私たちのパイプラインは、従来の3Dビジョンベースのトラッキングとループクローズとニューラルフィールドベースのマッピングを組み合わせたものです。
提案アルゴリズムはシーン認識を大幅に向上させ,様々なロボット制御問題を支援する。
論文 参考訳（メタデータ） (2023-04-27T23:03:52Z) - A Map-matching Algorithm with Extraction of Multi-group Information for
Low-frequency Data [9.476212160807549]
本稿では,「ビッグデータ」をフル活用する新しい地図マッチング手法を考案する。
現在のマッチングプローブから空間的および時間的距離に応じて、全てのデータを4つのグループに分類する。
修正されたトップKショートパス法を用いて、楕円領域内の候補パスを探索し、融合スコアを用いて経路を推測する。
論文 参考訳（メタデータ） (2022-09-18T08:09:17Z) - Robust Self-Tuning Data Association for Geo-Referencing Using Lane Markings [44.4879068879732]
本稿では,データアソシエーションにおけるあいまいさを解消するための完全なパイプラインを提案する。
その中核は、測定のエントロピーに応じて探索領域に適応する堅牢な自己調整データアソシエーションである。
ドイツ・カールスルーエ市周辺の都市・農村のシナリオを実データとして評価した。
論文 参考訳（メタデータ） (2022-07-28T12:29:39Z) - Long-term Visual Map Sparsification with Heterogeneous GNN [47.12309045366042]
本稿では,環境変化を克服し,将来のローカライゼーションに有用な点を選択することで,地図サイズを同時に削減することを目的とする。
グラフニューラルネットワーク(GNN)の最近の進歩に触発されて,SfMマップを異種グラフとしてモデル化し,GNNを用いて3次元点重要度を推定する最初の研究を提案する。
2つの新しい監督手法が提案されている: 1) トレーニングクエリに基づく将来のローカライゼーションに有用なポイントを選択するためのデータ適合用語、2) スパースポイントをフルマップで選択するためのK-Cover用語。
論文 参考訳（メタデータ） (2022-03-29T01:46:12Z) - GANmapper: geographical content filling [0.0]
本稿では,GAN(Generative Adversarial Network)を用いた空間データ生成手法を提案する。
当社のコントリビューションでは、粗大で広く利用可能な地理空間データを使用して、構築された環境のより細かいスケールで、あまり利用できない機能のマップを作成しています。
我々は、土地利用データと道路ネットワークを入力として、建物のフットプリントを生成し、世界中の9都市で実験を行う。
論文 参考訳（メタデータ） (2021-08-07T05:50:54Z) - Towards Semantic Segmentation of Urban-Scale 3D Point Clouds: A Dataset,
Benchmarks and Challenges [52.624157840253204]
我々は、30億点近い注釈付きポイントを持つ都市規模の測光点クラウドデータセットを提示する。
私たちのデータセットは、イギリスの3つの都市からなり、都市の景観の約7.6km2をカバーしています。
我々は,データセット上での最先端アルゴリズムの性能を評価し,その結果を包括的に分析する。
論文 参考訳（メタデータ） (2020-09-07T14:47:07Z) - Rethinking Localization Map: Towards Accurate Object Perception with
Self-Enhancement Maps [78.2581910688094]
本研究は, カテゴリーラベルのみを監督として, 正確な対象位置分布マップと対象境界を抽出する, 新たな自己強調手法を提案する。
特に、提案されたセルフエンハンスメントマップは、ILSVRC上で54.88%の最先端のローカライゼーション精度を達成する。
論文 参考訳（メタデータ） (2020-06-09T12:35:55Z)
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。