論文の概要: S-Graphs 2.0 -- A Hierarchical-Semantic Optimization and Loop Closure for SLAM
- arxiv url: http://arxiv.org/abs/2502.18044v2
- Date: Fri, 28 Feb 2025 12:23:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-03 13:44:04.153610
- 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: 本研究では,室内シーンの階層構造を活用し,効率的なデータ管理と最適化を行う状況グラフ2.0(S-Graphs 2.0)を提案する。
私たちのアルゴリズムは、環境を表す状況グラフを、キーフレーム、ウォール、ルーム、フロアの4つの層に構築することから始まります。
本研究では,建物の各階間の空洞化により発生する偽陽性閉鎖を効果的に拒否する,フロアベースのループ閉鎖戦略を提案する。
- 参考スコア（独自算出の注目度）: 6.978842308009956
- License:
- Abstract: The hierarchical structure of 3D scene graphs shows a high relevance for representations purposes, as it fits common patterns from man-made environments. But, additionally, the semantic and geometric information in such hierarchical representations could be leveraged to speed up the optimization and management of map elements and robot poses. In this direction, we present our work Situational Graphs 2.0 (S-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 represents 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 floor-level semantic relations to the underlying layers. Floor-level semantics allows us to propose a floor-based loop closure strategy, that effectively rejects false positive closures that typically appear due to aliasing between different floors of a building. Our second novelty lies in leveraging our representation hierarchy in the optimization. Our proposal consists of: (1) local optimization over a window of recent keyframes and their connected components across the four representation layers, (2) floor-level global optimization, which focuses only on keyframes and their connections within the current floor during loop closures, and (3) room-level local optimization, marginalizing redundant keyframes that share observations within the room, which reduces the computational footprint. We validate our algorithm extensively in different real multi-floor environments. Our approach shows state-of-art-art accuracy metrics in large-scale multi-floor environments, estimating hierarchical representations up to 10x faster, in average, than competing baselines
- Abstract（参考訳）: 3次元シーングラフの階層構造は、人造環境の共通パターンに適合するため、表現目的に高い関連性を示す。
しかし、そのような階層表現における意味的および幾何学的情報は、地図要素やロボットのポーズの最適化と管理を高速化するために利用することができる。
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,S-Graphs 2.0(S-Graphs 2.0)について述べる。
私たちのアルゴリズムは、環境を表す状況グラフを、キーフレーム、ウォール、ルーム、フロアの4つの層に構築することから始まります。
私たちの最初の斬新さ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な関係を割り当てることのできるフロア検出モジュールが含まれています。
フロアレベルのセマンティクスにより,建物の異なるフロア間のエイリアスによって現れる偽陽性クロージャを効果的に拒否する,フロアベースのループクロージャ戦略を提案することができる。
第2の新規性は、最適化において表現階層を活用することです。
提案手法は,(1)最近のキーフレームとその4つの表現層にまたがる連結コンポーネントのウィンドウ上での局所的な最適化,(2)ループのクロージャ中におけるキーフレームとその接続のみに焦点を当てたフロアレベルのグローバルな最適化,(3)部屋内の観察を共有する冗長なキーフレームを疎外し,計算フットプリントを低減すること,からなる。
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ける最先端の精度指標を示し,階層表現を競合するベースラインよりも平均10倍高速に推定する。
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。