論文の概要: Gaussian Semantic Field for One-shot LiDAR Global Localization
- arxiv url: http://arxiv.org/abs/2510.12101v1
- Date: Tue, 14 Oct 2025 03:08:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-15 19:02:32.168072
- Title: Gaussian Semantic Field for One-shot LiDAR Global Localization
- Title（参考訳）: ワンショットLiDARグローバルローカライゼーションのためのガウス意味場
- Authors: Pengyu Yin, Shenghai Yuan, Haozhi Cao, Xingyu Ji, Ruofei Bai, Siyu Chen, Lihua Xie,
- Abstract要約: 3層シーングラフに基づく意味の曖昧さを特徴とするワンショットLiDARグローバルローカライゼーションアルゴリズムを提案する。
本稿では,ガウス過程の個体群から学習した連続関数を用いた意味分布をモデル化することにより,この問題を軽減することを提案する。
個別のセマンティックラベルと比較すると、連続関数はよりきめ細かいジオセマンティック情報をキャプチャし、対応確立のためのより詳細なメトリック情報を提供する。
- 参考スコア（独自算出の注目度）: 39.349352888906466
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present a one-shot LiDAR global localization algorithm featuring semantic disambiguation ability based on a lightweight tri-layered scene graph. While landmark semantic registration-based methods have shown promising performance improvements in global localization compared with geometric-only methods, landmarks can be repetitive and misleading for correspondence establishment. We propose to mitigate this problem by modeling semantic distributions with continuous functions learned from a population of Gaussian processes. Compared with discrete semantic labels, the continuous functions capture finer-grained geo-semantic information and also provide more detailed metric information for correspondence establishment. We insert this continuous function as the middle layer between the object layer and the metric-semantic layer, forming a tri-layered 3D scene graph, serving as a light-weight yet performant backend for one-shot localization. We term our global localization pipeline Outram-GSF (Gaussian semantic field) and conduct a wide range of experiments on publicly available data sets, validating the superior performance against the current state-of-the-art.
- Abstract（参考訳）: 軽量な3層シーングラフに基づく意味の曖昧さを特徴とするワンショットLiDARグローバルローカライゼーションアルゴリズムを提案する。
ランドマークのセマンティック登録に基づく手法は、幾何学のみの手法と比較して、グローバルなローカライゼーションにおいて有望な性能向上を示しているが、ランドマークは反復的であり、対応の確立を誤解させる可能性がある。
本稿では,ガウス過程の個体群から学習した連続関数を用いた意味分布をモデル化することにより,この問題を軽減することを提案する。
個別のセマンティックラベルと比較すると、連続関数はよりきめ細かいジオセマンティック情報をキャプチャし、対応確立のためのより詳細なメトリック情報を提供する。
我々は,この連続機能をオブジェクト層と距離-意味層の間の中間層として挿入し,3次元の3次元シーングラフを作成し,一方のローカライゼーションのための軽量で高性能なバックエンドとして機能する。
我々はグローバルなローカライゼーションパイプライン Outram-GSF (Gaussian semantic field) と呼び、公開データセットに対して幅広い実験を行い、現在の最先端技術に対する優れた性能を検証した。
関連論文リスト
- Topology-Aware Modeling for Unsupervised Simulation-to-Reality Point Cloud Recognition [63.55828203989405]
我々はオブジェクトポイントクラウド上でSim2Real UDAのための新しいTopology-Aware Modeling (TAM)フレームワークを紹介する。
提案手法は,低レベルの高周波3次元構造を特徴とするグローバル空間トポロジを利用して,領域間隙を緩和する。
本稿では,クロスドメイン・コントラスト学習と自己学習を組み合わせた高度な自己学習戦略を提案する。
論文 参考訳（メタデータ） (2025-06-26T11:53:59Z) - TrajDiff: Diffusion Bridge Network with Semantic Alignment for Trajectory Similarity Computation [39.42796455901991]
そこで我々はTrajDiffという新しい軌道類似性計算フレームワークを提案する。
具体的には、TrajDiffは、アダプティブフュージョンを備えたクロスアテンションとアテンションスコアマスク機構に依存している。
3つの公開データセットに対する大規模な実験は、TrajDiffが一貫して最先端のベースラインを上回っていることを示している。
論文 参考訳（メタデータ） (2025-06-18T21:52:07Z) - SemanticTopoLoop: Semantic Loop Closure With 3D Topological Graph Based
on Quadric-Level Object Map [0.8158530638728501]
ループクロージャはSLAMの重要なコンポーネントの1つです。
バッグ・オブ・ワード(英語版)モデルのような伝統的な外見に基づく手法は、しばしば局所的な2D特徴とトレーニングデータの量によって制限される。
論文 参考訳（メタデータ） (2023-11-06T02:30:30Z) - Volumetric Semantically Consistent 3D Panoptic Mapping [77.13446499924977]
非構造環境における自律エージェントに適したセマンティック3Dマップを生成することを目的としたオンライン2次元から3次元のセマンティック・インスタンスマッピングアルゴリズムを提案する。
マッピング中にセマンティック予測の信頼性を統合し、セマンティックおよびインスタンス一貫性のある3D領域を生成する新しい方法を導入する。
提案手法は,パブリックな大規模データセット上での最先端の精度を実現し,多くの広く使用されているメトリクスを改善した。
論文 参考訳（メタデータ） (2023-09-26T08:03:10Z) - Single-Shot Global Localization via Graph-Theoretic Correspondence
Matching [16.956872056232633]
提案手法は最大傾き問題(MCP)に基づく対応マッチングを用いる。
セマンティックラベル付き3Dポイントクラウドマップとセマンティックセグメンテーションイメージをクエリとして実装する。
本手法は都市景観の大規模シミュレートされた複数の地図に対して有望な結果を示す。
論文 参考訳（メタデータ） (2023-06-06T12:52:07Z) - Collaborative Propagation on Multiple Instance Graphs for 3D Instance
Segmentation with Single-point Supervision [63.429704654271475]
本稿では,1つのオブジェクトを1つのポイントでラベル付けするだけでよい,弱教師付き手法RWSegを提案する。
これらの疎いラベルにより、セマンティック情報とインスタンス情報を伝達する2つの分岐を持つ統一的なフレームワークを導入する。
具体的には、異なるインスタンスグラフ間の競合を促進するクロスグラフ競合ランダムウォークス(CRW)アルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-08-10T02:14:39Z)
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。