Detection and Classification of Pole-like Landmarks for Domain-invariant 3D Point Cloud Map Matching

要約

タイトル：領域不変3Dポイントクラウドマッチングのためのポールの検出と分類
要約：
– ポールランドマークは、季節的および天候の変化において長期間安定しているため、正確かつ信頼性の高い自己位置特定のランドマークとして、3Dポイントクラウドベースの視覚的自己位置特定において大きなポテンシャルを持っています。
– 本研究では、ポールランドマークを利用した自己位置特定の文脈において、最近開発された深層学習モデルをポールの分類に使用することを目的としています。
– 具体的には、提案されたスキームは2つの主要モジュールで構成されています：ポールマップマッチングとポールクラスマッチング。
– 前者のモジュールでは、ローカルポールマップが構築され、その構成が事前に計算されたグローバルポールマップと比較されます。効率的なRANSACマップマッチングが使用され、計算効率と精度の良いトレードオフが実現されます。
– 後者のポールクラスマッチングモジュールでは、RANSACマップマッチングによってペアリングされたローカルとグローバルのポールは、ポール属性クラスの手段によってさらに比較されます。このために、事前定義された疑似ポールクラス集合が、自己監督学習によってk-meansクラスタリングによって学習されます。
– 公開されているNCLTデータセットを使用した実験は、ポールのようなランドマークの分類方法が、基準方法と比較して、視覚的自己位置特定システムに対して改善効果があることを示しました。

要約(オリジナル)

In 3D point cloud-based visual self-localization, pole landmarks have a great potential as landmarks for accurate and reliable localization due to their long-term stability under seasonal and weather changes. In this study, we aim to explore the use of recently developed deep learning models for pole classification in the context of pole landmark-based self-localization. Specifically, the proposed scheme consists of two main modules: pole map matching and pole class matching. In the former module, local pole map is constructed and its configuration is compared against a precomputed global pole map. An efficient RANSAC map matching is employed to achieve a good tradeoff between computational efficiency and accuracy. In the latter pole class matching module, the local and global poles paired by the RANSAC map-matching are further compared by means of pole attribute class. To this end, a predefined set of pseudo pole classes is learned via k-means clustering in a self-supervised manner. Experiments using publicly available NCLT dataset showed that the pole-like landmark classification method has an improved effect on the visual self-localization system compared with the baseline method.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI