論文の概要: Geo-Registration of Terrestrial LiDAR Point Clouds with Satellite Images without GNSS

• arxiv url: http://arxiv.org/abs/2507.05999v1
• Date: Tue, 08 Jul 2025 14:00:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-09 16:34:38.151214
• Title: Geo-Registration of Terrestrial LiDAR Point Clouds with Satellite Images without GNSS
• Title（参考訳）: GNSSのない衛星画像による地上LiDAR点雲のジオレジゲーション
• Authors: Xinyu Wang, Muhammad Ibrahim, Atif Mansoor, Ajmal Mian,
• Abstract要約: 衛星画像と3次元点雲を一致させる構造的ジオレジストレーションと空間補正法を提案する。 提案手法はKITTIベンチマークとローカルに収集したPerth (Western Australia) CBDデータセットを用いて検証した。 本手法は, 交差する配列間の平均平面アライメント標準偏差(STD)を0.84m達成し, 元のデータセットよりも55.3%改善した。
• 参考スコア（独自算出の注目度）: 26.87942921894772
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate geo-registration of LiDAR point clouds presents significant challenges in GNSS signal denied urban areas with high-rise buildings and bridges. Existing methods typically rely on real-time GNSS and IMU data, that require pre-calibration and assume stable positioning during data collection. However, this assumption often fails in dense urban areas, resulting in localization errors. To address this, we propose a structured geo-registration and spatial correction method that aligns 3D point clouds with satellite images, enabling frame-wise recovery of GNSS information and reconstruction of city scale 3D maps without relying on prior localization. The proposed approach employs a pre-trained Point Transformer model to segment the road points and then extracts the road skeleton and intersection points from the point cloud as well as the target map for alignment. Global rigid alignment of the two is performed using the intersection points, followed by local refinement using radial basis function (RBF) interpolation. Elevation correction is then applied to the point cloud based on terrain information from SRTM dataset to resolve vertical discrepancies. The proposed method was tested on the popular KITTI benchmark and a locally collected Perth (Western Australia) CBD dataset. On the KITTI dataset, our method achieved an average planimetric alignment standard deviation (STD) of 0.84~m across sequences with intersections, representing a 55.3\% improvement over the original dataset. On the Perth dataset, which lacks GNSS information, our method achieved an average STD of 0.96~m compared to the GPS data extracted from Google Maps API. This corresponds to a 77.4\% improvement from the initial alignment. Our method also resulted in elevation correlation gains of 30.5\% on the KITTI dataset and 50.4\% on the Perth dataset.
• Abstract（参考訳）: LiDAR点雲の正確な地理登録は、高層建築物や橋を有する都市部を否定するGNSS信号の重大な課題を示す。 既存の手法は通常、事前校正を必要とし、データ収集中に安定した位置決めを仮定するリアルタイムGNSSとIMUデータに依存している。 しかし、この仮定は人口密度の高い都市部でしばしば失敗し、ローカライゼーションの誤りをもたらす。 そこで本稿では,衛星画像と3次元点群を一致させる構造的ジオレジゲーションと空間補正手法を提案する。 提案手法では,事前学習した点変換器モデルを用いて道路点を分割し,地点雲から道路骨格と交差点点を抽出し,アライメント対象の地図を抽出する。 交差点を用いて2つの大域的剛性アライメントを行い、続いて放射基底関数(RBF)補間による局所的な微細化を行う。 次に、SRTMデータセットからの地形情報に基づいて点雲に標高補正を適用し、垂直不一致を解消する。 提案手法はKITTIベンチマークとローカルに収集したPerth (Western Australia) CBDデータセットを用いて検証した。 KITTIデータセットでは, 交差する配列間の平均平面アライメント標準偏差(STD)が0.84～mであり, 元のデータセットよりも55.3\%向上した。 GNSS情報を欠いたPerthデータセットでは,Google Maps APIから抽出したGPSデータと比較して平均STD0.96～mを達成した。 これは初期アライメントから77.4\%の改善に相当する。 また,KITTIデータセットでは30.5 %,Perthデータセットでは50.4 %の上昇相関が得られた。

関連論文リスト

• Dense 3D Displacement Estimation for Landslide Monitoring via Fusion of TLS Point Clouds and Embedded RGB Images [7.144866519844918]
  地すべりモニタリングは、ジオハザードを理解し、関連するリスクを軽減するために不可欠である。 既存の点クラウドベースの手法は、一般的に幾何学的またはラジオメトリック的な情報に依存する。 本稿では,3次元点雲と共登録RGB画像とを融合した階層的分割に基づく粗い微細化手法を提案する。
  論文  参考訳（メタデータ） (2025-06-19T12:28:09Z)
• InterLoc: LiDAR-based Intersection Localization using Road Segmentation with Automated Evaluation Method [10.561470037080177]
  本稿では,LiDARを用いたオンライン車両中心交差点位置推定手法を提案する。 我々は,鳥の視線表示における交差点候補を検出するために,セマンティック・ロードセグメンテーションを車両の局所的なポーズと融合する。 次に、分岐位相を解析し、最小二乗の交叉点を補正することによりそれらの候補を洗練する。
  論文  参考訳（メタデータ） (2025-05-01T13:30:28Z)
• EarthMapper: Visual Autoregressive Models for Controllable Bidirectional Satellite-Map Translation [50.433911327489554]
  制御可能な衛星マップ翻訳のための新しいフレームワークであるEarthMapperを紹介する。 また,中国38都市を対象とした302,132組の衛星マップからなる大規模データセットであるCNSatMapをコントリビュートした。 CNSatMapとNew Yorkデータセットの実験は、EarthMapperの優れたパフォーマンスを実証している。
  論文  参考訳（メタデータ） (2025-04-28T02:41:12Z)
• Incorporating GNSS Information with LIDAR-Inertial Odometry for Accurate Land-Vehicle Localization [1.9684593154403558]
  高精度な3Dポイントクラウドマップのロバストなローカライゼーションを実現するLIDARベースの新しいローカライゼーションフレームワークを提案する。 このシステムは,LIDARを用いたオドメトリーとグローバル情報を統合し,位置決め状態を最適化する。 このアルゴリズムは、異なるデータセットの様々なマップでテストされ、他のローカライズアルゴリズムよりも堅牢性と精度が高い。
  論文  参考訳（メタデータ） (2025-03-29T19:41:31Z)
• LiDAR-based Registration against Georeferenced Models for Globally Consistent Allocentric Maps [16.335109366948473]
  現代の無人航空機(UAV)は、状況の概要を把握したり、人員を危険にさらすことなくクローズアップを提供するため、捜索救難(SAR)ミッションでは不可能である。 しかし、UAVはオープンスペースでうまく機能するグローバルナビゲーション衛星システム(GNSS)に大きく依存しているが、その精度は建物周辺で劇的に低下している。 対照的に、CityGMLモデルは正確なジオレファレンスポーズを持つ近似的な建物形状を提供する。
  論文  参考訳（メタデータ） (2024-12-03T16:25:08Z)
• DSLO: Deep Sequence LiDAR Odometry Based on Inconsistent Spatio-temporal Propagation [66.8732965660931]
  本稿では,LiDAR odometry DSLO の非一貫性時間伝搬に基づく3次元点列学習モデルを提案する。 ピラミッド構造で、シーケンシャルなポーズモジュール、階層的なポーズリファインメントモジュール、時間的特徴伝搬モジュールで構成されている。
  論文  参考訳（メタデータ） (2024-09-01T15:12:48Z)
• Fine-Grained Cross-View Geo-Localization Using a Correlation-Aware Homography Estimator [12.415973198004169]
  そこで我々は, 微粒なクロスビューなジオローカライゼーションの新たなアプローチを提案する。 提案手法は,同じ領域をカバーするGPSタグ付き衛星画像と,歪んだ地上画像とを一致させる。 提案手法は30FPSの速度で動作し,最先端技術より優れる。
  論文  参考訳（メタデータ） (2023-08-31T17:59:24Z)
• V-DETR: DETR with Vertex Relative Position Encoding for 3D Object Detection [73.37781484123536]
  DETRフレームワークを用いた点雲のための高性能な3次元物体検出器を提案する。 限界に対処するため,新しい3次元相対位置(3DV-RPE)法を提案する。 挑戦的なScanNetV2ベンチマークで例外的な結果を示す。
  論文  参考訳（メタデータ） (2023-08-08T17:14:14Z)
• Robust Self-Tuning Data Association for Geo-Referencing Using Lane Markings [44.4879068879732]
  本稿では,データアソシエーションにおけるあいまいさを解消するための完全なパイプラインを提案する。 その中核は、測定のエントロピーに応じて探索領域に適応する堅牢な自己調整データアソシエーションである。 ドイツ・カールスルーエ市周辺の都市・農村のシナリオを実データとして評価した。
  論文  参考訳（メタデータ） (2022-07-28T12:29:39Z)
• GANav: Group-wise Attention Network for Classifying Navigable Regions in Unstructured Outdoor Environments [54.21959527308051]
  本稿では,RGB画像から,オフロード地形および非構造環境における安全かつ航行可能な領域を識別する新しい学習手法を提案する。 本手法は,粒度の粗いセマンティックセグメンテーションを用いて,そのナビビリティレベルに基づいて地形分類群を分類する。 RUGD と RELLIS-3D のデータセットを広範囲に評価することにより,我々の学習アルゴリズムがナビゲーションのためのオフロード地形における視覚知覚の精度を向上させることを示す。
  論文  参考訳（メタデータ） (2021-03-07T02:16:24Z)
• Robust 6D Object Pose Estimation by Learning RGB-D Features [59.580366107770764]
  本稿では、この局所最適問題を解くために、回転回帰のための離散連続的な新しい定式化を提案する。 我々はSO(3)の回転アンカーを均一にサンプリングし、各アンカーから目標への制約付き偏差を予測し、最適な予測を選択するための不確実性スコアを出力する。 LINEMOD と YCB-Video の2つのベンチマーク実験により,提案手法が最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2020-02-29T06:24:55Z)

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。