論文の概要: Topometric Autonomous Vehicle Localization by Combining Visual Embeddings and Feed-Forward 3D Models
- arxiv url: http://arxiv.org/abs/2608.06021v1
- Date: Thu, 06 Aug 2026 13:26:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-07 17:43:06.767935
- Title: Topometric Autonomous Vehicle Localization by Combining Visual Embeddings and Feed-Forward 3D Models
- Title（参考訳）: 視覚埋め込みとフィードフォワード3次元モデルを組み合わせたトポメトリ自動車両位置決め
- Abstract要約: 本稿では,VPRとメカニカルポーズ推定を組み合わせた視覚的ローカライゼーションの枠組みを提案する。
3つの既知のベンチマークでフレームワークを広範囲に評価し、既存の外見に基づく手法よりも大幅に改善した。
提案手法のモジュラリティにより,ディスクリプタ抽出モデルとFF3Dモデルとの相互互換性が保たれる。
- 参考スコア（独自算出の注目度）: 3.807858988066276
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Effective Visual Localization (VL) requires a map of the environment that combines compactness for efficient scalability with robustness against visual appearance changes and metric precision. Through low-dimensional image embeddings, Visual Place Recognition (VPR) is able to successfully meet the first two requirements, but its low metric accuracy makes it less suitable than standard VL approaches based on local features or neural representations. This limitation can be overcome by integrating VPR with the accurate local trajectory estimates produced by feed-forward neural 3D geometry (FF3D) models. In this paper, we address sequential appearance-based localization through a topometric framework that iteratively combines probabilistic VPR with FF3D metric pose estimation in controlled image sets. Our approach proposes an automatic offline mapping tool that models the topometric pose-appearance interaction in the different parts of the scene. This map is later employed by an online particle filter that estimates the pose from odometry and belief over places for FF3D inference, successfully incorporating neural metric estimation into probabilistic appearance-based localization. We extensively evaluate the framework on three known benchmarks, demonstrating substantial improvements over existing appearance-based methods. The modularity of our approach allows the descriptor extractor and FF3D model to remain interchangeable, and a focused analysis further shows that sequential belief can mitigate severe failures under perceptual aliasing.
- Abstract（参考訳）: 効率的なビジュアルローカライゼーション(VL)は、効率的なスケーラビリティのためのコンパクトさと、視覚的外見の変化やメートル法精度に対する堅牢性を組み合わせた環境マップを必要とする。
低次元画像埋め込みにより、視覚的位置認識(VPR)は最初の2つの要件を満たすことができるが、その低メートル法精度は、局所的な特徴や神経表現に基づく標準的なVLアプローチよりも適していない。
この制限は、フィードフォワードニューラルネットワーク(FF3D)モデルによって生成された正確な局所軌道推定とVPRを統合することで克服できる。
本稿では,確率的VPRとFF3D距離ポーズ推定を反復的に組み合わせたトポロジカル・フレームワークによる連続的な外見に基づく位置推定について述べる。
本手法では,シーンの異なる部分におけるトポロジカル・ポーズ・出現相互作用をモデル化するオフライン自動マッピングツールを提案する。
このマップは、後にオンライン粒子フィルターによって、FF3D推論の場所に対する軌道計測と信念からポーズを推定し、確率的外見に基づく局所化に神経距離推定をうまく組み込むことに成功した。
3つの既知のベンチマークでフレームワークを広範囲に評価し、既存の外見に基づく手法よりも大幅に改善した。
提案手法のモジュラリティにより,ディスクリプタ抽出モデルとFF3Dモデルとの相互互換性が保たれる。
関連論文リスト
- NF-SLAM: Effective, Normalizing Flow-supported Neural Field representations for object-level visual SLAM in automotive applications [20.963261049295085]
暗黙的な符号付き距離関数による3次元形状を表現する自動車アプリケーションのための視覚のみのオブジェクトレベルSLAMフレームワークを提案する。
私たちの重要なイノベーションは、正規化フローネットワークによる標準神経表現の増強です。
新たに提案されたアーキテクチャは、スパースデータとノイズデータのみの存在下での大幅な性能向上を示す。
論文 参考訳（メタデータ） (2025-03-14T08:46:56Z) - MonoDINO-DETR: Depth-Enhanced Monocular 3D Object Detection Using a Vision Foundation Model [2.0624236247076397]
本研究では,視覚変換器(ViT)をベースとした基礎モデルをバックボーンとし,世界的特徴を抽出して深度推定を行う。
検出変換器(DETR)アーキテクチャを統合し、深度推定と物体検出性能を1段階的に改善する。
提案モデルは、KITTIの3Dベンチマークと高標高レース環境から収集したカスタムデータセットの評価により、最近の最先端手法よりも優れている。
論文 参考訳（メタデータ） (2025-02-01T04:37:13Z) - PF3plat: Pose-Free Feed-Forward 3D Gaussian Splatting [54.7468067660037]
PF3platは、設計選択を検証した包括的なアブレーション研究によってサポートされた、すべてのベンチマークに新しい最先端を設定します。
本フレームワークは,3DGSの高速,スケーラビリティ,高品質な3D再構成とビュー合成機能を活用している。
論文 参考訳（メタデータ） (2024-10-29T15:28:15Z) - Boosting Cross-Domain Point Classification via Distilling Relational Priors from 2D Transformers [59.0181939916084]
従来の3Dネットワークは主に局所幾何学的詳細に焦点を当て、局所幾何学間の位相構造を無視する。
そこで本稿では,大規模画像上においてよく訓練されたトランスフォーマーから前駆体を抽出する,新しい先駆体蒸留法を提案する。
PointDA-10とSim-to-Realデータセットの実験は、提案手法が点クラウド分類におけるUDAの最先端性能を一貫して達成していることを検証する。
論文 参考訳（メタデータ） (2024-07-26T06:29:09Z) - 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) - BEV-IO: Enhancing Bird's-Eye-View 3D Detection with Instance Occupancy [58.926593676054424]
我々は,BEV表現をインスタンス占有情報で拡張する新しい3次元検出パラダイムであるBEV-IOを提案する。
BEV-IOは、パラメータや計算オーバーヘッドの無視できる増加しか加えず、最先端の手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2023-05-26T11:16:12Z) - PDC-Net+: Enhanced Probabilistic Dense Correspondence Network [161.76275845530964]
高度確率密度対応ネットワーク(PDC-Net+)は、精度の高い高密度対応を推定できる。
我々は、堅牢で一般化可能な不確実性予測に適したアーキテクチャと強化されたトレーニング戦略を開発する。
提案手法は,複数の挑戦的幾何マッチングと光学的フローデータセットに対して,最先端の結果を得る。
論文 参考訳（メタデータ） (2021-09-28T17:56:41Z) - Soft Expectation and Deep Maximization for Image Feature Detection [68.8204255655161]
質問をひっくり返し、まず繰り返し可能な3Dポイントを探し、次に検出器を訓練して画像空間にローカライズする、反復的半教師付き学習プロセスSEDMを提案する。
以上の結果から,sdmを用いてトレーニングした新しいモデルでは,シーン内の下位3dポイントのローカライズが容易になった。
論文 参考訳（メタデータ） (2021-04-21T00:35:32Z) - Probabilistic Vehicle Reconstruction Using a Multi-Task CNN [0.0]
ステレオ画像からの形状認識型3D車両再構成のための確率論的アプローチを提案する。
具体的には、車両の向きと車両のキーポイントとワイヤフレームエッジの両方の確率分布を出力するCNNを訓練する。
本手法が最先端の結果を達成し、挑戦的なKITTIベンチマークで評価することを示した。
論文 参考訳（メタデータ） (2021-02-21T20:45:44Z) - SA-Det3D: Self-Attention Based Context-Aware 3D Object Detection [9.924083358178239]
本稿では,3次元物体検出におけるコンテキストモデリングのための2種類の自己注意法を提案する。
まず,現状のbev,voxel,ポイントベース検出器にペアワイズ自着機構を組み込む。
次に,ランダムにサンプリングされた位置の変形を学習することにより,最も代表的な特徴のサブセットをサンプリングするセルフアテンション変種を提案する。
論文 参考訳（メタデータ） (2021-01-07T18:30:32Z) - Leveraging Planar Regularities for Point Line Visual-Inertial Odometry [13.51108336267342]
モノクラー・ビジュアル・慣性オドメトリー(VIO)システムでは、3Dポイント・クラウドとカメラ・モーションを同時に推定することができる。
平面規則性だけでなく点特徴や線特徴を利用するPLP-VIOを提案する。
提案手法の有効性を,合成データと公開データセットの両方で検証した。
論文 参考訳（メタデータ） (2020-04-16T18:20:00Z)
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。