論文の概要: Fast and Robust Localization for Humanoid Soccer Robot via Iterative Landmark Matching

• arxiv url: http://arxiv.org/abs/2503.11020v1
• Date: Fri, 14 Mar 2025 02:36:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-17 13:06:05.356140
• Title: Fast and Robust Localization for Humanoid Soccer Robot via Iterative Landmark Matching
• Title（参考訳）: 反復ランドマークマッチングによるヒューマノイドサッカーロボットの高速かつロバストな位置決め
• Authors: Ruochen Hou, Mingzhang Zhu, Hyunwoo Nam, Gabriel I. Fernandez, Dennis W. Hong,
• Abstract要約: 本稿では,ヒューマノイドロボットの反復的ランドマークマッチング(ILM)による高速でロバストなローカライズ手法を提案する。 提案手法の有効性を実験を通じて徹底的に評価し, ヒューマノイドロボットARTEMISで検証した。
• 参考スコア（独自算出の注目度）: 8.46090371500674
• License:
• Abstract: Accurate robot localization is essential for effective operation. Monte Carlo Localization (MCL) is commonly used with known maps but is computationally expensive due to landmark matching for each particle. Humanoid robots face additional challenges, including sensor noise from locomotion vibrations and a limited field of view (FOV) due to camera placement. This paper proposes a fast and robust localization method via iterative landmark matching (ILM) for humanoid robots. The iterative matching process improves the accuracy of the landmark association so that it does not need MCL to match landmarks to particles. Pose estimation with the outlier removal process enhances its robustness to measurement noise and faulty detections. Furthermore, an additional filter can be utilized to fuse inertial data from the inertial measurement unit (IMU) and pose data from localization. We compared ILM with Iterative Closest Point (ICP), which shows that ILM method is more robust towards the error in the initial guess and easier to get a correct matching. We also compared ILM with the Augmented Monte Carlo Localization (aMCL), which shows that ILM method is much faster than aMCL and even more accurate. The proposed method's effectiveness is thoroughly evaluated through experiments and validated on the humanoid robot ARTEMIS during RoboCup 2024 adult-sized soccer competition.
• Abstract（参考訳）: ロボットの正確な位置決めは効果的な操作に不可欠である。 モンテカルロ局在(Monte Carlo Localization, MCL)は、既知の写像でよく用いられるが、各粒子のランドマークマッチングのために計算コストが高い。 ヒューマノイドロボットは、ロコモーション振動によるセンサノイズや、カメラ配置による視野の制限など、さらなる課題に直面している。 本稿では,ヒューマノイドロボットの反復的ランドマークマッチング(ILM)による高速で堅牢な位置決め手法を提案する。 反復マッチングプロセスはランドマーク結合の精度を向上し、ランドマークを粒子に合わせるためにMCLを必要としない。 外乱除去処理によるポース推定は、ノイズ測定や故障検出に対するロバスト性を高める。 さらに、慣性測定ユニット(IMU)から慣性データをフューズし、ローカライゼーションからデータをポーズするために、追加フィルタを利用することができる。 我々はILMとICPを比較し、ICM法が初期推定における誤差に対してより堅牢であり、正しいマッチングを得るのがより容易であることを示す。 また,ILM法がAMCLよりもはるかに高速で,さらに精度が高いことを示す拡張モンテカルロ局所化法(aMCL)と比較した。 提案手法の有効性を実験を通じて徹底的に評価し,RoboCup 2024アダルトサイズのサッカー競技におけるヒューマノイドロボットARTEMISで検証した。

関連論文リスト

• Motion-adaptive Separable Collaborative Filters for Blind Motion Deblurring [71.60457491155451]
  様々な動きによって生じる画像のぼかしを除去することは、難しい問題である。 本研究では,動き適応型分離型協調フィルタと呼ばれる実世界のデブロアリングフィルタモデルを提案する。 本手法は,実世界の動きのぼかし除去に有効な解法を提供し,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2024-04-19T19:44:24Z)
• RoHM: Robust Human Motion Reconstruction via Diffusion [58.63706638272891]
  RoHMは、モノクロRGB(-D)ビデオから頑健な3次元人間の動きを復元するためのアプローチである。 ノイズと閉鎖された入力データに条件付けし、一貫した大域座標で完全な可塑性運動を再構成した。 本手法は,テスト時に高速でありながら,定性的かつ定量的に最先端の手法より優れる。
  論文  参考訳（メタデータ） (2024-01-16T18:57:50Z)
• UnLoc: A Universal Localization Method for Autonomous Vehicles using LiDAR, Radar and/or Camera Input [51.150605800173366]
  UnLocは、全ての気象条件におけるマルチセンサー入力によるローカライズのための、新しい統一型ニューラルネットワークアプローチである。 本手法は,Oxford Radar RobotCar,Apollo SouthBay,Perth-WAの各データセットで広く評価されている。
  論文  参考訳（メタデータ） (2023-07-03T04:10:55Z)
• IR-MCL: Implicit Representation-Based Online Global Localization [31.77645160411745]
  本稿では,室内環境におけるロボットの姿勢を2次元LiDARデータを用いて推定する問題に対処する。 ニューラルネットワークを用いてシーンを暗黙的に表現するためのニューラルネットワーク占有場(NOF)を提案する。 本研究では,最先端手法のローカライズ性能を超越したアプローチを用いて,ロボットを高精度かつ効率的にローカライズできることを示す。
  論文  参考訳（メタデータ） (2022-10-06T17:59:08Z)
• Relative Localization of Mobile Robots with Multiple Ultra-WideBand Ranging Measurements [15.209043435869189]
  ロボット群間の相対的なポーズを,複数のUWB範囲のノードを各ロボットに装備することで推定する手法を提案する。 局所化精度を向上させるため,スライディングウインドウを用いた最適化により,オドメトリー制約を利用する。
  論文  参考訳（メタデータ） (2021-07-19T12:57:02Z)
• Domain Adaptive Robotic Gesture Recognition with Unsupervised Kinematic-Visual Data Alignment [60.31418655784291]
  本稿では,マルチモダリティ知識,すなわちキネマティックデータとビジュアルデータを同時にシミュレータから実ロボットに伝達できる,教師なしドメイン適応フレームワークを提案する。 ビデオの時間的手がかりと、ジェスチャー認識に対するマルチモーダル固有の相関を用いて、トランスファー可能な機能を強化したドメインギャップを修復する。 その結果, 本手法は, ACCでは最大12.91%, F1scoreでは20.16%と, 実際のロボットではアノテーションを使わずに性能を回復する。
  論文  参考訳（メタデータ） (2021-03-06T09:10:03Z)
• Online Body Schema Adaptation through Cost-Sensitive Active Learning [63.84207660737483]
  この作業は、icubロボットシミュレータの7dofアームを使用して、シミュレーション環境で実行された。 コストに敏感な能動学習手法は最適な関節構成を選択するために用いられる。 その結果,コスト依存型能動学習は標準的な能動学習手法と同等の精度を示し,実行運動の約半分を減らした。
  論文  参考訳（メタデータ） (2021-01-26T16:01:02Z)
• DecAug: Augmenting HOI Detection via Decomposition [54.65572599920679]
  現在のアルゴリズムでは、データセット内のトレーニングサンプルやカテゴリの不均衡が不足している。 本稿では,HOI検出のためのDECAugと呼ばれる効率的かつ効率的なデータ拡張手法を提案する。 実験の結果,V-COCOおよびHICODETデータセットの3.3mAPと1.6mAPの改善が得られた。
  論文  参考訳（メタデータ） (2020-10-02T13:59:05Z)
• Graph-based Proprioceptive Localization Using a Discrete Heading-Length Feature Sequence Matching Approach [14.356113113268389]
  Proprioceptive Localizationは、新しいタイプのロボットエゴセントリックなローカライゼーション手法を指す。 これらの方法は自然に悪天候、照明条件、その他の極端な環境条件に免疫がある。 環境条件の厳しい環境条件下で、ローカライゼーションのための低コストなフォールバックソリューションを提供する。
  論文  参考訳（メタデータ） (2020-05-27T23:10:15Z)
• Localising Faster: Efficient and precise lidar-based robot localisation in large-scale environments [27.53080210457653]
  本稿では,大規模環境における移動ロボットのグローバルなローカライズのための新しいアプローチを提案する。 本手法は,学習に基づくローカライゼーションとフィルタリングに基づくローカライゼーションを活用し,ロボットのローカライズを効率的かつ正確に行う。 提案手法は,約0.5km2の大規模環境下で,平均1.94秒(0.8秒)で精度0.75mの精度でロボットをローカライズできることを示す。
  論文  参考訳（メタデータ） (2020-03-04T03:39:37Z)

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。