論文の概要: FlexCloud: Direct, Modular Georeferencing and Drift-Correction of Point Cloud Maps

• arxiv url: http://arxiv.org/abs/2502.00395v1
• Date: Sat, 01 Feb 2025 10:56:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-05 14:56:59.676545
• Title: FlexCloud: Direct, Modular Georeferencing and Drift-Correction of Point Cloud Maps
• Title（参考訳）: FlexCloud: ポイントクラウドマップのダイレクト、モジュールジオレファレンス、ドリフト補正
• Authors: Maximilian Leitenstern, Marko Alten, Christian Bolea-Schaser, Dominik Kulmer, Marcel Weinmann, Markus Lienkamp,
• Abstract要約: SLAMから生成された点クラウドマップの自動ジオレファレンスとしてFlexCloudを提案する。 我々のアプローチは、生成されたローカルポイントクラウドマップのみを利用して、異なるSLAMメソッドでモジュール的に動作するように設計されています。 我々のアプローチは、モバイルマッピングシステムによって収集されたデータから、一貫したグローバルな参照ポイントクラウドマップの作成を可能にする。
• 参考スコア（独自算出の注目度）: 0.7421845364041001
• License:
• Abstract: Current software stacks for real-world applications of autonomous driving leverage map information to ensure reliable localization, path planning, and motion prediction. An important field of research is the generation of point cloud maps, referring to the topic of simultaneous localization and mapping (SLAM). As most recent developments do not include global position data, the resulting point cloud maps suffer from internal distortion and missing georeferencing, preventing their use for map-based localization approaches. Therefore, we propose FlexCloud for an automatic georeferencing of point cloud maps created from SLAM. Our approach is designed to work modularly with different SLAM methods, utilizing only the generated local point cloud map and its odometry. Using the corresponding GNSS positions enables direct georeferencing without additional control points. By leveraging a 3D rubber-sheet transformation, we can correct distortions within the map caused by long-term drift while maintaining its structure. Our approach enables the creation of consistent, globally referenced point cloud maps from data collected by a mobile mapping system (MMS). The source code of our work is available at https://github.com/TUMFTM/FlexCloud.
• Abstract（参考訳）: 自律運転の現実的な応用のための現在のソフトウェアスタックは、地図情報を活用して、信頼性の高いローカライゼーション、経路計画、動き予測を保証する。 重要な研究分野は点雲マップの生成であり、同時に局所化とマッピング(SLAM)のトピックを参照することである。 最近の開発では、グローバルな位置データが含まれていないため、結果として得られるクラウドマップは内部の歪みやジオレファレンスに悩まされ、マップベースのローカライゼーションアプローチでは使用できない。 そこで本研究では,SLAMから生成された点クラウドマップの自動ジオレファレンスとしてFlexCloudを提案する。 提案手法は,生成した局所点クラウドマップとそのドメトリーのみを利用して,異なるSLAM手法でモジュール的に動作するように設計されている。 対応するGNSS位置を使用することで、追加の制御ポイントなしで直接ジオレファリングが可能になる。 3次元ゴムシート変換を利用することで、その構造を維持しながら長期間のドリフトによる地図内の歪みを補正することができる。 我々のアプローチは,モバイルマッピングシステム(MMS)によって収集されたデータから,一貫したグローバルな参照ポイントクラウドマップの作成を可能にする。 私たちの作業のソースコードはhttps://github.com/TUMFTM/FlexCloud.comで公開されています。

関連論文リスト

• GenMapping: Unleashing the Potential of Inverse Perspective Mapping for Robust Online HD Map Construction [20.1127163541618]
  我々はGenMappingというユニバーサルマップ生成フレームワークを設計した。 このフレームワークは、主および二重補助枝を含む三進的なシナジーアーキテクチャで構築されている。 実験結果の網羅的な配列から,提案手法はセマンティックマッピングとベクトル化マッピングの両方において最先端の手法を超越し,高速な推論速度を維持した。
  論文  参考訳（メタデータ） (2024-09-13T10:15:28Z)
• GeoFormer: Learning Point Cloud Completion with Tri-Plane Integrated Transformer [41.26276375114911]
  ポイント・クラウド・コンプリートは、正確なグローバル・ジオメトリを復元し、部分的なポイント・クラウドからのきめ細かい局所的な詳細を保存することを目的としている。 従来の手法では、3Dポイントのクラウド座標から直接見えない点を予測したり、自己投影された多視点深度マップを使用するのが一般的である。 ポイントのグローバルな幾何学的構造を同時に拡張し、局所的な詳細を改善するGeoFormerを導入する。
  論文  参考訳（メタデータ） (2024-08-13T03:15:36Z)
• PointRegGPT: Boosting 3D Point Cloud Registration using Generative Point-Cloud Pairs for Training [90.06520673092702]
  生成点クラウドペアを用いた3Dポイントクラウドの登録をトレーニングのために促進するPointRegGPTを提案する。 我々の知る限り、これは屋内のクラウド登録のためのリアルなデータ生成を探求する最初の生成的アプローチである。
  論文  参考訳（メタデータ） (2024-07-19T06:29:57Z)
• Collect-and-Distribute Transformer for 3D Point Cloud Analysis [82.03517861433849]
  本稿では,点雲の短距離・長距離コンテキストを通信するための収集・分散機構を備えた新しい変圧器ネットワークを提案する。 その結果,提案したCDFormerの有効性が示され,ポイントクラウドの分類とセグメンテーションタスクにおける最先端のパフォーマンスがいくつか提供された。
  論文  参考訳（メタデータ） (2023-06-02T03:48:45Z)
• PointCaM: Cut-and-Mix for Open-Set Point Cloud Learning [72.07350827773442]
  我々は,新しいポイントカット・アンド・ミクス機構を用いて,オープンセットのクラウド学習を解決することを提案する。 トレーニング段階では,Unknown-Point Simulatorを用いてアウト・オブ・ディストリビューションデータをシミュレートする。 Unknown-Point Estimatorモジュールは、既知のデータを識別するために、ポイントクラウドの機能コンテキストを活用することを学ぶ。
  論文  参考訳（メタデータ） (2022-12-05T03:53:51Z)
• Adaptive Edge-to-Edge Interaction Learning for Point Cloud Analysis [118.30840667784206]
  ポイントクラウドデータ処理の大きな問題は、ローカルリージョンから有用な情報を抽出することだ。 従来の研究は、局所的な形状情報を符号化する地域におけるエッジ間の関係を無視していた。 本稿では,Adaptive Edge-to-Edge Interaction Learningモジュールを提案する。
  論文  参考訳（メタデータ） (2022-11-20T07:10:14Z)
• IDEA-Net: Dynamic 3D Point Cloud Interpolation via Deep Embedding Alignment [58.8330387551499]
  我々は、点方向軌跡(すなわち滑らかな曲線)の推定として問題を定式化する。 本稿では,学習した時間的一貫性の助けを借りて問題を解消する,エンドツーエンドのディープラーニングフレームワークであるIDEA-Netを提案する。 各種点群における本手法の有効性を実証し, 定量的かつ視覚的に, 最先端の手法に対する大幅な改善を観察する。
  論文  参考訳（メタデータ） (2022-03-22T10:14:08Z)
• EgoNN: Egocentric Neural Network for Point Cloud Based 6DoF Relocalization at the City Scale [15.662820454886202]
  回転する3次元LiDARにより得られる点雲からグローバルおよび局所記述子を抽出するためのディープニューラルネットワークに基づく手法を提案する。 本手法は, スパースボキセル化表現に基づく, 単純で完全な畳み込み構造を有する。 私たちのコードと事前訓練されたモデルはプロジェクトのWebサイトで公開されています。
  論文  参考訳（メタデータ） (2021-10-24T16:46:57Z)
• Zero-Shot Multi-View Indoor Localization via Graph Location Networks [66.05980368549928]
  屋内ローカライゼーションは、位置ベースアプリケーションにおける基本的な問題である。 本稿では,インフラストラクチャフリーで多視点画像に基づく屋内ローカライゼーションを実現するために,新しいニューラルネットワークアーキテクチャであるGraph Location Networks(GLN)を提案する。 GLNは、メッセージパッシングネットワークを通じて画像から抽出されたロバストな位置表現に基づいて位置予測を行う。 新たにゼロショット屋内ローカライズ設定を導入し,提案したGLNを専用ゼロショットバージョンに拡張することで,その課題に対処する。
  論文  参考訳（メタデータ） (2020-08-06T07:36:55Z)
• DeepCLR: Correspondence-Less Architecture for Deep End-to-End Point Cloud Registration [12.471564670462344]
  この研究は、ディープニューラルネットワークを用いたポイントクラウド登録の問題に対処する。 重なり合うデータ内容を持つ2つの点雲間のアライメントを予測する手法を提案する。 提案手法は,最先端の精度と比較手法の最低実行時間を実現する。
  論文  参考訳（メタデータ） (2020-07-22T08:20:57Z)

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。