文献

J-GLOBAL ID：202002222482607387   整理番号：20A2144549

ΔΣSLAM:高密度SLAMは自動分化に合致する【JST・京大機械翻訳】

∇SLAM: Dense SLAM meets Automatic Differentiation

著者 (3件)： Jatavallabhula Krishna Murthy (Universite ́ de Montre ́al, Mila,Robotics and Embodied AI Lab (REAL)) ,  Iyer Ganesh (Carnegie Mellon University) ,  Paull Liam (Universite ́ de Montre ́al, Mila,Robotics and Embodied AI Lab (REAL))
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： ICRA  ページ： 2130-2137  発行年： 2020年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 「表現」の問題は,密な同時位置確認とマッピング(SLAM)の文脈の中心である。学習ベース手法は,表現を直接知らせるために,データまたはタスク性能を利用する可能性を有する。しかしながら,”古典的”SLAMシステムによる混合表現学習アプローチは,それらの高度にモジュールで複雑な性質のため,未解決の疑問のままである。SLAMシステムは,ロボットと環境の状態(s)にわたって,生センサ入力を分布に変換する。この変換(SLAM)を微分可能関数として表現できるならば,タスク性能を最適化する表現を学習するために,この関数の出力に対するタスクベースの誤り信号を活用することができた。しかし,これは,典型的な高密度SLAMシステムのいくつかの構成要素が非識別可能であるので実行不可能であった。本研究では,勾配ベース学習とSLAMを統一する微分可能計算グラフとしてSLAMシステムを処理するための方法論である,ΔΣSLAM(グラデSLAM)を提案した。精度を犠牲にすることなく,微分可能信頼領域最適化器,表面測定および融合方式,およびレイキャスティングを提案した。計算グラフによる高密度SLAMのこの融合は,3Dマップから2Dピクセルへのすべての方法をバックプロップすることを可能にし,SLAM1に対する勾配ベース学習における新しい可能性を開く。Copyright 2020 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 最適化 ,  学習 ,  ロボット ,  *分化 ,  位置決め ,  微分 ,  画素 ,  二次元 ,  センサ ,  三次元
準シソーラス用語： 高密度 ,  レイキャスティング ,  誤差信号 , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (2件)： SLAM ,  分化