論文の概要: Floorplan-SLAM: A Real-Time, High-Accuracy, and Long-Term Multi-Session Point-Plane SLAM for Efficient Floorplan Reconstruction

• arxiv url: http://arxiv.org/abs/2503.00397v3
• Date: Wed, 05 Mar 2025 08:09:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-06 12:09:16.995634
• Title: Floorplan-SLAM: A Real-Time, High-Accuracy, and Long-Term Multi-Session Point-Plane SLAM for Efficient Floorplan Reconstruction
• Title（参考訳）: Floorplan-SLAM: 効率的なフロアプラン再構築のためのリアルタイム, 高精度, 長期マルチセッションポイントプレーンSLAM
• Authors: Haolin Wang, Zeren Lv, Hao Wei, Haijiang Zhu, Yihong Wu,
• Abstract要約: フロアプランの再構築は、信頼性の高い屋内ロボットナビゲーションと高レベルのシーン理解に不可欠な構造的前提を提供する。 平面抽出,ポーズ推定,バックエンド最適化をシームレスに行うことで,フロアプラン再構築をマルチセッションSLAMシステムに密に統合するFloorplan-SLAMを提案する。 Floorplan-SLAM は平面抽出, 推定精度, フロアプランの再現精度, 性能において, 最先端の手法よりも優れていた。
• 参考スコア（独自算出の注目度）: 6.135904277838598
• License:
• Abstract: Floorplan reconstruction provides structural priors essential for reliable indoor robot navigation and high-level scene understanding. However, existing approaches either require time-consuming offline processing with a complete map, or rely on expensive sensors and substantial computational resources. To address the problems, we propose Floorplan-SLAM, which incorporates floorplan reconstruction tightly into a multi-session SLAM system by seamlessly interacting with plane extraction, pose estimation, and back-end optimization, achieving real-time, high-accuracy, and long-term floorplan reconstruction using only a stereo camera. Specifically, we present a robust plane extraction algorithm that operates in a compact plane parameter space and leverages spatially complementary features to accurately detect planar structures, even in weakly textured scenes. Furthermore, we propose a floorplan reconstruction module tightly coupled with the SLAM system, which uses continuously optimized plane landmarks and poses to formulate and solve a novel optimization problem, thereby enabling real-time incremental floorplan reconstruction. Note that by leveraging the map merging capability of multi-session SLAM, our method supports long-term floorplan reconstruction across multiple sessions without redundant data collection. Experiments on the VECtor and the self-collected datasets indicate that Floorplan-SLAM significantly outperforms state-of-the-art methods in terms of plane extraction robustness, pose estimation accuracy, and floorplan reconstruction fidelity and speed, achieving real-time performance at 25-45 FPS without GPU acceleration, which reduces the floorplan reconstruction time for a 1000 square meters scene from over 10 hours to just 9.44 minutes.
• Abstract（参考訳）: フロアプランの再構築は、信頼性の高い屋内ロボットナビゲーションと高レベルのシーン理解に不可欠な構造的前提を提供する。 しかし、既存のアプローチでは、完全なマップを持つオフライン処理に時間を要するか、高価なセンサーとかなりの計算資源に依存している。 この問題を解決するために,平面抽出,ポーズ推定,バックエンド最適化とシームレスに相互作用し,ステレオカメラのみでリアルタイム,高精度,長期のフロアプラン再構築を実現することで,フロアプラン再構築をマルチセッションSLAMシステムに密に統合するFloorplan-SLAMを提案する。 具体的には、コンパクトな平面パラメータ空間で動作し、空間的に相補的な特徴を活用して、弱いテクスチャ化されたシーンであっても、平面構造を正確に検出する頑健な平面抽出アルゴリズムを提案する。 さらに,平面ランドマークを連続的に最適化し,新しい最適化問題の定式化と解決を行うSLAMシステムと密結合したフロアプラン再構築モジュールを提案する。 マルチセッションSLAMのマップマージ機能を活用することで,冗長なデータ収集を伴わずに複数セッションにわたる長期フロアプラン再構築を支援することに留意する。 VECtorと自己収集されたデータセットの実験では、フロアプラン-SLAMは平面抽出の堅牢性、推定精度、フロアプランの再現率と速度において最先端の手法を著しく上回り、GPUアクセラレーションなしで25-45 FPSでリアルタイムのパフォーマンスを実現し、1000平方メートルのシーンのフロアプランの再構築時間を10時間以上から9.44分に短縮した。

関連論文リスト

• PlanarSplatting: Accurate Planar Surface Reconstruction in 3 Minutes [32.00236197233923]
  PlanarSplattingはマルチビュー屋内画像のための超高速かつ高精度な表面再構成手法である。 PlanarSplattingは3分で室内のシーンを再構築し、幾何学的精度は大幅に向上した。
  論文  参考訳（メタデータ） (2024-12-04T16:38:07Z)
• FR-SLAM: A SLAM Improvement Method Based on Floor Plan Registration [4.9805321746841225]
  本稿では,形態素に基づくフロアプラン登録アルゴリズムを用いて,フロアプラン登録に基づくSLAM法を提案する。 これにより、包括的なモーションマップの迅速な取得と効率的な経路計画が容易になり、迅速なナビゲーションが短い時間枠内で位置を目標にすることができる。 実データとシミュレーションデータを用いて行った実験は,他のベンチマークアルゴリズムと比較すると,フロアプランの登録精度の向上と時間消費の短縮を実現している。
  論文  参考訳（メタデータ） (2024-07-16T01:23:38Z)
• SMORE: Simulataneous Map and Object REconstruction [66.66729715211642]
  本稿では,LiDARから大規模都市景観を動的に再現する手法を提案する。 我々は、世界が厳格に動く物体と背景に分解される動的なシーンの構成モデルを総合的に捉え、最適化する。
  論文  参考訳（メタデータ） (2024-06-19T23:53:31Z)
• PAS-SLAM: A Visual SLAM System for Planar Ambiguous Scenes [41.47703182059505]
  平面不明瞭なシーンを対象とした平面的特徴に基づく視覚的SLAMシステムを提案する。 本稿では,平面パラメータ,意味情報,投影IoU,非パラメトリックテストを組み合わせた統合データアソシエーション戦略を提案する。 最後に、カメラポーズ最適化のための多重制約係数グラフのセットを設計する。
  論文  参考訳（メタデータ） (2024-02-09T01:34:26Z)
• SST: Real-time End-to-end Monocular 3D Reconstruction via Sparse Spatial-Temporal Guidance [71.3027345302485]
  リアルタイムモノクル3D再構成は未解決の課題である。 視覚SLAMシステムからのスパース推定点を利用したエンドツーエンドの3D再構成ネットワークSSTを提案する。 SSTは、59FPSで高い推論速度を維持しながら、最先端の競合他社よりも優れています。
  論文  参考訳（メタデータ） (2022-12-13T12:17:13Z)
• VIP-SLAM: An Efficient Tightly-Coupled RGB-D Visual Inertial Planar SLAM [25.681256050571058]
  本稿では,RGB,Depth,IMU,構造化平面情報とを融合した密結合SLAMシステムを提案する。 我々は、最適化において多数の平面点のパラメータを除去するために、ホモグラフィ制約を用いる。 グローバルバンドル調整はスパースポイントベースのSLAMアルゴリズムの約2倍高速である。
  論文  参考訳（メタデータ） (2022-07-04T01:45:24Z)
• PlaneRecNet: Multi-Task Learning with Cross-Task Consistency for Piece-Wise Plane Detection and Reconstruction from a Single RGB Image [11.215334675788952]
  ピアースワイドな3次元平面再構成は、特に屋内シナリオにおいて、人為的な環境の全体像の理解を提供する。 最新のアプローチは、高度なネットワークアーキテクチャを導入し、セグメンテーションと再構築結果の改善に重点を置いている。 マルチタスク畳み込みニューラルネットワークであるPlaneRecNetのクロスタスク一貫性の強化から始まります。 平面分割と深さ推定の精度を両立させる新しい損失関数(幾何学的制約)を導入する。
  論文  参考訳（メタデータ） (2021-10-21T15:54:03Z)
• Large-scale Autonomous Flight with Real-time Semantic SLAM under Dense Forest Canopy [48.51396198176273]
  本研究では,大規模自律飛行とリアルタイムセマンティックマッピングを,挑戦的なアンダーキャノピー環境下で実現可能な統合システムを提案する。 我々は、スキャン全体で関連付けられ、木のトランクモデルと同様にロボットのポーズを制約するために使用されるLiDARデータから、木の幹と地面の平面を検出し、モデル化する。 ドリフト補償機構は、プランナー最適性とコントローラ安定性を維持しつつ、セマンティックSLAM出力を用いたドリフトをリアルタイムで最小化するように設計されている。
  論文  参考訳（メタデータ） (2021-09-14T07:24:53Z)
• Learning Space Partitions for Path Planning [54.475949279050596]
  PlaLaMは2次元ナビゲーションタスクにおける既存の経路計画手法よりも優れており、特に難解な局所最適化の存在下では優れている。 これらは高マルチモーダルな実世界のタスクに移行し、コンパイラフェーズでは最大245%、分子設計では最大0.4の強いベースラインを0-1スケールで上回ります。
  論文  参考訳（メタデータ） (2021-06-19T18:06:11Z)
• SCFusion: Real-time Incremental Scene Reconstruction with Semantic Completion [86.77318031029404]
  本研究では,シーン再構成とセマンティックシーン補完を段階的かつリアルタイムに共同で行うフレームワークを提案する。 我々のフレームワークは、3Dグローバルモデルでセマンティックコンプリートを正確かつ効率的に融合させるために、占有マップを処理し、ボクセル状態を活用するように設計された新しいニューラルアーキテクチャに依存している。
  論文  参考訳（メタデータ） (2020-10-26T15:31:52Z)
• Plan2Vec: Unsupervised Representation Learning by Latent Plans [106.37274654231659]
  Plan2vecは、強化学習にインスパイアされた教師なしの表現学習手法である。 Plan2vecは、近距離を用いて画像データセット上に重み付きグラフを構築し、その局所距離を、計画された経路上の経路積分を蒸留することによって、大域的な埋め込みに外挿する。 1つのシミュレーションと2つの実世界の画像データセットに対する Plan2vec の有効性を実証する。
  論文  参考訳（メタデータ） (2020-05-07T17:52:23Z)

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。