論文の概要: PNE-SGAN: Probabilistic NDT-Enhanced Semantic Graph Attention Network for LiDAR Loop Closure Detection

• arxiv url: http://arxiv.org/abs/2504.08280v1
• Date: Fri, 11 Apr 2025 06:25:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-14 14:18:06.105043
• Title: PNE-SGAN: Probabilistic NDT-Enhanced Semantic Graph Attention Network for LiDAR Loop Closure Detection
• Title（参考訳）: PNE-SGAN:LiDARループクロージャ検出のための確率的NDT強化セマンティックグラフアテンションネットワーク
• Authors: Xiong Li, Shulei Liu, Xingning Chen, Yisong Wu, Dong Zhu,
• Abstract要約: 確率的NDT強化セマンティックグラフ注意ネットワークであるPNE-SGANを紹介する。 PNE-SGANは、正規分布変換(NDT)共分散行列をリッチで識別可能な幾何ノード特徴として利用することにより、意味グラフを強化する。 平均精度は96.2%, 95.1%であった。
• 参考スコア（独自算出の注目度）: 3.638946969851829
• License:
• Abstract: LiDAR loop closure detection (LCD) is crucial for consistent Simultaneous Localization and Mapping (SLAM) but faces challenges in robustness and accuracy. Existing methods, including semantic graph approaches, often suffer from coarse geometric representations and lack temporal robustness against noise, dynamics, and viewpoint changes. We introduce PNE-SGAN, a Probabilistic NDT-Enhanced Semantic Graph Attention Network, to overcome these limitations. PNE-SGAN enhances semantic graphs by using Normal Distributions Transform (NDT) covariance matrices as rich, discriminative geometric node features, processed via a Graph Attention Network (GAT). Crucially, it integrates graph similarity scores into a probabilistic temporal filtering framework (modeled as an HMM/Bayes filter), incorporating uncertain odometry for motion modeling and utilizing forward-backward smoothing to effectively handle ambiguities. Evaluations on challenging KITTI sequences (00 and 08) demonstrate state-of-the-art performance, achieving Average Precision of 96.2\% and 95.1\%, respectively. PNE-SGAN significantly outperforms existing methods, particularly in difficult bidirectional loop scenarios where others falter. By synergizing detailed NDT geometry with principled probabilistic temporal reasoning, PNE-SGAN offers a highly accurate and robust solution for LiDAR LCD, enhancing SLAM reliability in complex, large-scale environments.
• Abstract（参考訳）: LiDARループクロージャ検出(LCD)は、一貫した局所化とマッピング(SLAM)に不可欠であるが、堅牢性と精度の課題に直面している。 意味グラフアプローチを含む既存の手法は、しばしば粗い幾何学的表現に悩まされ、ノイズ、ダイナミクス、視点変化に対する時間的堅牢性に欠ける。 我々はこれらの制限を克服するために、確率的NDT強化セマンティックグラフ注意ネットワークであるPNE-SGANを紹介する。 PNE-SGANは、正規分布変換(NDT)共分散行列をグラフ注意ネットワーク(GAT)を介して処理されるリッチで識別可能な幾何ノードの特徴として利用することにより、意味グラフを強化する。 重要な点として、グラフ類似度スコアを確率的時間的フィルタリングフレームワーク(HMM/Bayesフィルタとしてモデル化)に統合し、運動モデリングのための不確実なオドメトリーを取り入れ、前向きの滑らか化を利用して、曖昧さを効果的に処理する。 挑戦的KITTIシーケンス(00および08)の評価は、それぞれ96.2\%と95.1\%の平均精度を達成し、最先端のパフォーマンスを示している。 PNE-SGANは既存の手法、特に他の方法がフェールする難しい双方向ループのシナリオにおいて、著しく優れています。 PNE-SGANは、詳細なNDT幾何を原理的確率的時間的推論と相乗化することにより、複雑な大規模環境におけるSLAMの信頼性を高め、高精度で堅牢なLiDAR LCDソリューションを提供する。

関連論文リスト

• Point Cloud Denoising With Fine-Granularity Dynamic Graph Convolutional Networks [58.050130177241186]
  ノイズの摂動は、しばしば3次元の点雲を破損させ、表面の再構成、レンダリング、さらなる処理といった下流のタスクを妨げる。 本稿では,GDGCNと呼ばれる粒度動的グラフ畳み込みネットワークについて紹介する。
  論文  参考訳（メタデータ） (2024-11-21T14:19:32Z)
• LGU-SLAM: Learnable Gaussian Uncertainty Matching with Deformable Correlation Sampling for Deep Visual SLAM [11.715999663401591]
  学習可能な2次元ガウス不確実性モデルは、マッチングフレームペアを関連付けるように設計されている。 マルチスケールの変形可能な相関戦略を考案し、各方向のサンプリングを適応的に微調整する。 本手法の有効性と優位性を検証するために,実世界のデータセットと合成データセットの実験を行った。
  論文  参考訳（メタデータ） (2024-10-30T17:20:08Z)
• Accelerating Scalable Graph Neural Network Inference with Node-Adaptive Propagation [80.227864832092]
  グラフニューラルネットワーク(GNN)は、様々なアプリケーションで例外的な効果を発揮している。 大規模グラフの重大化は,GNNによるリアルタイム推論において重要な課題となる。 本稿では,オンライン伝搬フレームワークと2つの新しいノード適応伝搬手法を提案する。
  論文  参考訳（メタデータ） (2023-10-17T05:03:00Z)
• Implicit Stochastic Gradient Descent for Training Physics-informed Neural Networks [51.92362217307946]
  物理インフォームドニューラルネットワーク(PINN)は、前方および逆微分方程式問題の解法として効果的に実証されている。 PINNは、近似すべきターゲット関数が高周波またはマルチスケールの特徴を示す場合、トレーニング障害に閉じ込められる。 本稿では,暗黙的勾配降下法(ISGD)を用いてPINNを訓練し,トレーニングプロセスの安定性を向上させることを提案する。
  論文  参考訳（メタデータ） (2023-03-03T08:17:47Z)
• Online Change Point Detection for Weighted and Directed Random Dot Product Graphs [9.652642545116532]
  汎用的ランダムドット製品グラフ(RDPG)モデルに基づくグラフ表現学習基板を用いた変化点検出(CPD)手法を提案する。 モニタリング機能のオンライン更新は、ストリーミンググラフ観測と名目G観測の相違を定量化する。 我々は、重み付きおよび直接グラフのための新しいオンラインCDDのオープンソース実装を提供する。
  論文  参考訳（メタデータ） (2022-01-26T22:48:39Z)
• BCD Nets: Scalable Variational Approaches for Bayesian Causal Discovery [97.79015388276483]
  構造方程式モデル(SEM)は、有向非巡回グラフ(DAG)を介して表される因果関係を推論する効果的な枠組みである。 近年の進歩により、観測データからDAGの有効最大点推定が可能となった。 線形ガウス SEM を特徴付ける DAG 上の分布を推定するための変分フレームワークである BCD Nets を提案する。
  論文  参考訳（メタデータ） (2021-12-06T03:35:21Z)
• Probabilistic Circuits for Variational Inference in Discrete Graphical Models [101.28528515775842]
  変分法による離散的グラフィカルモデルの推論は困難である。 エビデンス・ロウアーバウンド(ELBO)を推定するためのサンプリングに基づく多くの手法が提案されている。 Sum Product Networks (SPN) のような確率的回路モデルのトラクタビリティを活用する新しい手法を提案する。 選択的SPNが表現的変動分布として適していることを示し、対象モデルの対数密度が重み付けされた場合、対応するELBOを解析的に計算可能であることを示す。
  論文  参考訳（メタデータ） (2020-10-22T05:04:38Z)
• Stochastic Graph Recurrent Neural Network [6.656993023468793]
  本稿では,ノード属性とトポロジの進化を同時に捉えるために潜時変数を適用した新しいニューラルアーキテクチャであるSGRNNを提案する。 具体的には、決定論的状態は、相互干渉を抑制する反復過程において状態から分離される。 実世界のデータセットを用いた実験により,提案モデルの有効性が示された。
  論文  参考訳（メタデータ） (2020-09-01T16:14:30Z)
• Deep Probabilistic Feature-metric Tracking [27.137827823264942]
  画素単位の深度特徴写像と深度特徴量不確実性写像を学習するための新しいフレームワークを提案する。 CNNは、より高速で信頼性の高い収束のための深い初期ポーズを予測する。 実験により,TUM RGB-Dデータセットと3次元剛性物体追跡データセットの最先端性能が示された。
  論文  参考訳（メタデータ） (2020-08-31T11:47:59Z)
• Block-Approximated Exponential Random Graphs [77.4792558024487]
  指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。 本稿では,非自明なERGに対する近似フレームワークを提案する。 我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
  論文  参考訳（メタデータ） (2020-02-14T11:42:16Z)

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。