文献

J-GLOBAL ID：202102251426165801   整理番号：21A2528513

3Dポイントクラウドにおける平面特徴を用いた統計的SLAMのための状態遷移【JST・京大機械翻訳】

State Transition for Statistical SLAM Using Planar Features in 3D Point Clouds

著者 (7件)： Gostar Amirali Khodadadian (School of Engineering, RMIT University, Melbourne VIC 3001, Australia) ,  Fu Chunyun (State Key Laboratory of Mechanical Transmissions, School of Automotive Engineering, Chongqing University, Chongqing 400044, China) ,  Chuah Weiqin (School of Engineering, RMIT University, Melbourne VIC 3001, Australia) ,  Hossain Mohammed Imran (School of Engineering, RMIT University, Melbourne VIC 3001, Australia) ,  Tennakoon Ruwan (School of Engineering, RMIT University, Melbourne VIC 3001, Australia) ,  Bab-Hadiashar Alireza (School of Engineering, RMIT University, Melbourne VIC 3001, Australia) ,  Hoseinnezhad Reza (School of Engineering, RMIT University, Melbourne VIC 3001, Australia)
資料名： Sensors (Web)  (Sensors (Web))
巻： 19  号： 7  ページ： 1614  発行年： 2019年 
JST資料番号： U7015A  ISSN： 1424-8220  CODEN： SENSC9  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： 様々な自律車両応用に対するSLAM問題を解くための文献の大体がある。Kalmanフィルタとその拡張版のような統計的(主にBayes)フィルタを用いて,解の実質的な部分を定式化した。そのような解決策では,測定は通常,自律車両上のセンサ(s)によって収集されたいくつかの点の特徴または検出である。一般的自律車によるスキャナの利用の増加およびリアルタイムおよび高速における3Dポイントクラウドのアベイラビリティによって,フィルタリングのためにポイントクラウドから抽出されるより洗練された特徴を使用することは,現在可能である。本論文では,SLAMのための多オブジェクトBayesフィルタを有する平面特徴を用いるアイデアを提示した。Bayesフィルタによって,最初のステップは予測であり,そこでは,オブジェクト状態が確率的遷移モデルに基づいて次の時間に伝播する。まず,このような遷移モデルが開発され,次に状態予測の解決策を提案する。シミュレーション研究では,実際の車両センサから得られた測定のデータセットを用いて,提案モデルを適用して次の平面特徴と車両状態を予測した。結果は,統計的フィルタリングベースのSLAM応用に対して妥当な精度と効率を示す。Copyright 2021 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： シミュレーション ,  フィルタ ,  状態推定 ,  フィルタリング ,  アベイラビリティ ,  走査装置 ,  Kalmanフィルタ ,  センサ ,  *三次元 ,  定式化
準シソーラス用語： 自律性 ,  実時間 ,  Bayesフィルタ ,  状態遷移 , 【Automatic Indexing@JST】

著者キーワード (5件)： 同時位置決めとマッピング ,  平面特徴 ,  平面パラメータ ,  遷移モデル ,  Bayesフィルタ

分類 (1件)： レーザの応用  (BD04100V)

引用文献 (32件)：

• Cadena, C.; Carlone, L.; Carrillo, H.; Latif, Y.; Scaramuzza, D.; Neira, J.; Reid, I.D.; Leonard, J.J. Simultaneous Localization and Mapping: Present, Future, and the Robust-Perception Age. IEEE Trans. Robot. 2016, 32, 1309-1332.
• Mullane, J.; Vo, B.; Adams, M.D.; Vo, B. A Random-Finite-Set Approach to Bayesian SLAM. IEEE Trans. Robot. 2011, 27, 268-282.
• Davison, A.J. Real-Time Simultaneous Localisation and Mapping with a Single Camera. In Proceedings of the Ninth IEEE International Conference on Computer Vision, Nice, France, 13-16 October 2003; IEEE Computer Society: Washington, DC, USA, 2003; pp. 1403-1410.
• Thrun, S.; Koller, D.; Ghahramani, Z.; Durrant-Whyte, H.; Ng, A.Y. Simultaneous Mapping and Localization with Sparse Extended Information Filters: Theory and Initial Results. In Algorithmic Foundations of Robotics V; Springer Tracts in Advanced Robotics; Springer: Berlin, Germany, 2002; Volume 7, pp. 363-380.
• Montemerlo, M.; Thrun, S.; Koller, D.; Wegbreit, B. FastSLAM: A Factored Solution to the Simultaneous Localization and Mapping Problem; AAAI Press/The MIT Press: Cambridge, MA, USA, 2002; pp. 593-598.

タイトルに関連する用語 (6件)： 3D ,  ポイント ,  クラウド ,  統計 ,  SLAM ,  状態遷移