論文の概要: S-Graphs 2.0 -- A Hierarchical-Semantic Optimization and Loop Closure for SLAM
- arxiv url: http://arxiv.org/abs/2502.18044v1
- Date: Tue, 25 Feb 2025 10:09:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-26 15:23:28.755770
- Title: S-Graphs 2.0 -- A Hierarchical-Semantic Optimization and Loop Closure for SLAM
- Title（参考訳）: S-Graphs 2.0 - SLAMのための階層型セマンティック最適化とループクロージャ
- Authors: Hriday Bavle, Jose Luis Sanchez-Lopez, Muhammad Shaheer, Javier Civera, Holger Voos,
- Abstract要約: 本稿では,室内シーンの階層構造を利用して効率的なデータ管理と最適化を行う状況グラフ2.0を提案する。
私たちのアルゴリズムは、環境をキーフレーム、ウォール、ルーム、フロアの4つの層に整理する状況グラフの構築から始まります。
このフロアレベルのセマンティクスは、異なるフロア上の視覚的に類似した領域における偽陽性ループクロージャを拒否するフロアベースのループクロージャ戦略を可能にする。
- 参考スコア（独自算出の注目度）: 6.978842308009956
- License:
- Abstract: Works based on localization and mapping do not exploit the inherent semantic-relational information from the environment for faster and efficient management and optimization of the robot poses and its map elements, often leading to pose and map inaccuracies and computational inefficiencies in large scale environments. 3D scene graph representations which distributes the environment in an hierarchical manner can be exploited to enhance the management/optimization of underlying robot poses and its map. In this direction, we present our work Situational Graphs 2.0, which leverages the hierarchical structure of indoor scenes for efficient data management and optimization. Our algorithm begins by constructing a situational graph that organizes the environment into four layers: Keyframes, Walls, Rooms, and Floors. Our first novelty lies in the front-end which includes a floor detection module capable of identifying stairways and assigning a floor-level semantic-relations to the underlying layers. This floor-level semantic enables a floor-based loop closure strategy, rejecting false-positive loop closures in visually similar areas on different floors. Our second novelty is in exploiting the hierarchy for an improved optimization. It consists of: (1) local optimization, optimizing a window of recent keyframes and their connected components, (2) floor-global optimization, which focuses only on keyframes and their connections within the current floor during loop closures, and (3) room-local optimization, marginalizing redundant keyframes that share observations within the room. We validate our algorithm extensively in different real multi-floor environments. Our approach can demonstrate state-of-art-art results in large scale multi-floor environments creating hierarchical maps while bounding the computational complexity where several baseline works fail to execute efficiently.
- Abstract（参考訳）: ローカライゼーションとマッピングに基づく作業は、ロボットのポーズとそのマップ要素の迅速かつ効率的な管理と最適化のために、環境から固有の意味関係情報を活用しない。
環境を階層的に分散する3次元シーングラフ表現を利用すれば,基盤となるロボットのポーズとそのマップの管理・最適化を強化することができる。
本稿では,室内シーンの階層構造を利用して効率的なデータ管理と最適化を行う作業状況グラフ2.0を提案する。
私たちのアルゴリズムは、環境をキーフレーム、ウォール、ルーム、フロアの4つの層に整理する状況グラフの構築から始まります。
私たちの最初の新規性はフロントエンドにあり、階段を識別し、基礎となるレイヤにフロアレベルのセマンティックリレーションを割り当てることのできるフロア検出モジュールを含んでいます。
このフロアレベルのセマンティクスは、異なるフロア上の視覚的に類似した領域における偽陽性ループクロージャを拒否するフロアベースのループクロージャ戦略を可能にする。
第2のノベルティは、最適化の改善のために階層を利用することです。
1)局所的な最適化、最近のキーフレームとその接続コンポーネントのウィンドウの最適化、(2)鍵フレームとその接続のみに焦点を当てたフロア・グロバル最適化、(3)部屋内の観察を共有する冗長なキーフレームのマージ化。
実際のマルチフロア環境の異なる環境において,我々のアルゴリズムを広範囲に検証する。
提案手法は, 大規模マルチフロア環境において, 複数のベースライン作業が効率的に実行できない計算複雑性を抑えながら, 階層マップを作成できることを示す。
関連論文リスト
- GraNet: A Multi-Level Graph Network for 6-DoF Grasp Pose Generation in
Cluttered Scenes [0.5755004576310334]
GraNetはグラフベースのグリップポーズ生成フレームワークで、ポイントクラウドシーンをマルチレベルグラフに変換する。
このパイプラインは, 散在するシーンにおけるグリップの空間分布を特徴付けることができ, 効果的グリップの速度が向上する。
提案手法は,大規模GraspNet-1Billionベンチマークにおいて,特に未確認オブジェクトの把握において,最先端の性能を実現する。
論文 参考訳（メタデータ） (2023-12-06T08:36:29Z) - ALSTER: A Local Spatio-Temporal Expert for Online 3D Semantic
Reconstruction [62.599588577671796]
本稿では,RGB-Dフレームのストリームから3次元セマンティックマップを段階的に再構成するオンライン3次元セマンティックセマンティックセマンティクス手法を提案する。
オフラインの手法とは異なり、ロボット工学や混合現実のようなリアルタイムな制約のあるシナリオに直接適用できます。
論文 参考訳（メタデータ） (2023-11-29T20:30:18Z) - Faster Optimization in S-Graphs Exploiting Hierarchy [8.17925295907622]
冗長なロボットのポーズを余剰にすることでグラフサイズを削減するため,階層構造を利用したSグラフの改良版を提案する。
ベースラインに対する計算時間を39.81%削減しながら,ベースラインと同等の精度を示す。
論文 参考訳（メタデータ） (2023-08-22T07:35:15Z) - Dynamic Perceiver for Efficient Visual Recognition [87.08210214417309]
特徴抽出手順と早期分類タスクを分離する動的知覚器(Dyn-Perceiver)を提案する。
特徴ブランチは画像の特徴を抽出し、分類ブランチは分類タスクに割り当てられた遅延コードを処理する。
早期出口は分類枝に限られており、低レベルの特徴において線形分離性は不要である。
論文 参考訳（メタデータ） (2023-06-20T03:00:22Z) - S-Graphs+: Real-time Localization and Mapping leveraging Hierarchical
Representations [9.13466172688693]
S-Graphs+は,(1)ロボットのポーズを推定したポーズ層,(2)壁面を表す壁層,(3)壁面の集合を含む部屋層,(4)部屋を所定の階内に集める床層を含む,新しい4層係数グラフである。
上記のグラフは、ロボットのポーズとそのマップの堅牢で正確な推定値を得るために、リアルタイムで最適化され、同時に環境の高レベル情報を構築し、活用する。
論文 参考訳（メタデータ） (2022-12-22T15:06:21Z) - Flattening-Net: Deep Regular 2D Representation for 3D Point Cloud
Analysis [66.49788145564004]
我々は、任意の幾何学と位相の不規則な3次元点雲を表現するために、Flattning-Netと呼ばれる教師なしのディープニューラルネットワークを提案する。
我々の手法は、現在の最先端の競合相手に対して好意的に機能する。
論文 参考訳（メタデータ） (2022-12-17T15:05:25Z) - Advanced Situational Graphs for Robot Navigation in Structured Indoor
Environments [9.13466172688693]
本稿では,5層最適化可能なグラフからなる状況グラフ(S-Graphs+)の高度なバージョンを提案する。
S-Graphs+は、効率よく部屋情報を抽出するS-Graphsよりも優れた性能を示す。
論文 参考訳（メタデータ） (2022-11-16T08:30:05Z) - Optimal Propagation for Graph Neural Networks [51.08426265813481]
最適グラフ構造を学習するための二段階最適化手法を提案する。
また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
論文 参考訳（メタデータ） (2022-05-06T03:37:00Z) - Multi-Robot Active Mapping via Neural Bipartite Graph Matching [49.72892929603187]
本稿では,最小時間ステップにおけるシーンマップ構築の完全化を目的としたマルチロボットアクティブマッピングの問題点について検討する。
この問題の鍵は、より効率的なロボットの動きを可能にするゴール位置推定にある。
本稿では,ニューラルコマッピング(NeuralCoMapping)という新しいアルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-03-30T14:03:17Z) - Lightweight Object-level Topological Semantic Mapping and Long-term
Global Localization based on Graph Matching [19.706907816202946]
本稿では,高精度でロバストなオブジェクトレベルのマッピングとローカライズ手法を提案する。
我々は、環境のランドマークをモデル化するために、意味情報と幾何学情報の両方を持つオブジェクトレベルの特徴を使用する。
提案したマップに基づいて,新たな局所的シーングラフ記述子を構築することにより,ロバストなローカライゼーションを実現する。
論文 参考訳（メタデータ） (2022-01-16T05:47:07Z) - Spatial Pyramid Based Graph Reasoning for Semantic Segmentation [67.47159595239798]
セマンティックセグメンテーションタスクにグラフ畳み込みを適用し、改良されたラプラシアンを提案する。
グラフ推論は、空間ピラミッドとして構成された元の特徴空間で直接実行される。
計算とメモリのオーバーヘッドの利点で同等のパフォーマンスを実現しています。
論文 参考訳（メタデータ） (2020-03-23T12:28:07Z)
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。