自己VoxeLO:ボクセルベース深層ニューラルネットワークによる自己管理LiDARオドメトリー【JST・京大機械翻訳】

Xu Yan; Huang Zhaoyang; Lin Kwan-Yee; Zhu Xinge; Shi Jianping; Bao Hujun; Zhang Guofeng; Li Hongsheng

プレプリント

J-GLOBAL ID：202202205347432470 整理番号：22P0201614

自己VoxeLO:ボクセルベース深層ニューラルネットワークによる自己管理LiDARオドメトリー【JST・京大機械翻訳】

SelfVoxeLO: Self-supervised LiDAR Odometry with Voxel-based Deep Neural Networks

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (8件)： , , , , , , ,
資料名：
発行年： 2020年10月19日プレプリントサーバーでの情報更新日： 2022年02月08日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

最近の学習ベースのLiDARオドメトリー法は,それらの競争力を実証した。しかし,ほとんどの方法は2つの実質的な課題に直面している。1)LiDARデータの2D投影表現は,点雲から3D構造を効果的に符号化できない。2)訓練のための大量のラベル付きデータの必要性は,これらの方法の応用範囲を制限する。本論文では,これらの2つの困難に取り組むために,自己監督されたLiDARオドメトリー法,dubbed自己VoxeLOを提案する。特に,著者らは,生LiDARデータを直接処理するための3D畳込みネットワークを提案し,3D幾何学的パターンをより良く符号化する特徴を抽出した。ネットワークを自己監督学習に合わせるために,LiDAR点雲の固有特性を利用するいくつかの新しい損失関数を設計した。さらに,移動物体/雑音の干渉を軽減するために,損失関数に不確実性意識機構を組み込んだ。2つの大規模データセット,すなわちKITTIとApollo-South Bayに関する筆者らの方法の性能を評価する。提案手法は,KITTIデータセット上の並進/回転誤差に関して,最先端の教師なし手法よりも27%/32%優れており,また,Apollo-South Bayデータセット上で良好に機能した。より多くのラベルなし訓練データを含めることによって,著者らの方法は,教師つき方法に匹敵する性能をさらに改良することができた。【JST・京大機械翻訳】

, , , , , , , , ,
, , , , , 【Automatic Indexing@JST】

人工知能 , ニューロコンピュータ

, , , , ,

前のページに戻る