オムニディレクショナルな画像からの擬似LiDARを使用して,照明の変化の下での堅固な場所認識.
Juan José Cabrera1, Marcos Alfaro2, Arturo Gil2
1Institute for Engineering Research (I3E), Miguel Hernández University, Av. Universidad s/n, 03202, Elche, Comunidad Valenciana, Spain. juan.cabreram@umh.es.
この研究では,変化する照明とカメラタイプに対する強度を改善するために,深さの推定を使用して新しいビジュアル・プレイス認識 (VPR) フレームワークを導入しています. この方法は,より信頼性の高いロボットローカライゼーションのために,擬似LiDARデータを生成します.
科学分野:
- コンピュータビジョン コンピュータビジョン
- ロボット工学 ロボット工学 ロボット工学
- 機械学習 (Machine Learning) とは,機械学習 (Machine Learning) について学ぶことです.
背景:
- 視覚位置認識 (VPR) システムは,照明とセンサーの変動により外観の変化に苦しんでいます.
- 既存の方法は,ダイナミックで異質な視覚環境において,強度が欠けている.
研究 の 目的:
- 強力なビジュアル・プレイス認識 (VPR) のための新しいフレームワークを開発し,照明の変化とセンサーの異質性に抵抗します.
- VPRシステムにおけるシーンの表現を改善するために,深さの推定を活用する.
- ロボットのローカライゼーションのための3Dセンサーに費用対効果の高い代替手段を提供すること.
主な方法:
- Omnidirectional画像をDistill Any Depth (Depth Anything V2をベースに) を使用して深度マップに変換する.
- ディープマップを偽LiDARの点雲に変換する.
- MinkUNeXtアーキテクチャを利用して,グローバル・アピエンス・ディスクリプタを生成する.
- 蒸留された深度モデルで新しいデータ増強技術を実装する.
主要な成果:
- 提案されたVPRシステムは,限られた曇りのデータでのトレーニングの後でも,さまざまな照明条件で堅実なパフォーマンスを実証しています.
- このフレームワークは,異なるデータセットとカメラタイプで検証された,幾何学的に異なった入力にうまく汎用されます.
- このアプローチは,特に挑戦的な照明シナリオでは,最先端の方法に対して競争力のあるパフォーマンスを示しています.
結論:
- 深度推定ベースのシーンの表現は,VPRの課題に対する堅実な解決策を提供します.
- 標準的なカメラからの擬似LiDAR生成は,3Dセンサーの実行可能で費用対効果の高い代替手段です.
- このフレームワークは,複雑な環境におけるロボットのローカライゼーションを改善するための大きな可能性を秘めています.
さらに関連する動画
06:28Visualization of Low-Level Gamma Radiation Sources Using a Low-Cost, High-Sensitivity, Omnidirectional Compton Camera
Published on: January 30, 2020
08:27Author Spotlight: Efficient Image Recognition Using Directional Gradient Histogram Technique and Support Vector Machines
Published on: January 5, 2024
関連する概念動画
Imaging Studies VII: Vascular Imaging
X-ray Imaging
Brain Imaging
These technologies include computerized axial tomography (CAT or CT scans), positron-emission tomography (PET scans), magnetic resonance imaging (MRI), functional magnetic resonance imaging (fMRI), and Transcranial Magnetic...
Imaging Studies IV: Magnetic Resonance Imaging
Magnetic Resonance Imaging
Imaging Studies II: Ultrasonography
