Accurate Gaussian-Process-based Distance Fields with applications to Echolocation and Mapping

要約

この論文では、ガウス過程 (GP) 回帰を使用して、ノイズの多い点群から距離フィールドを推定する新しい方法を紹介します。
距離フィールドまたは距離関数は、点群登録、オドメトリ、SLAM、経路計画、形状再構築などのアプリケーションで人気を博しました。距離フィールドは、任意のクエリ ポイントからの最短距離および最も近い距離として定義されるシーンの連続表現を提供します。
表面。
提案された方法の重要な概念は、カーネル逆関数に関連する復帰関数を使用して、GP 推論された潜在スカラー場を正確な距離場に変換することです。
潜在フィールドは、滑らかな占有マップとして解釈できます。
この論文では、提案された方法の理論的導出と、距離推定のための新しい不確実性プロキシを提供します。
既存の距離場と比較して性能が向上していることは、シミュレーション実験によって実証されています。
提案されたアプローチの精度レベルにより、正確な距離推定に依存する新しいアプリケーションが可能になります。この研究は、金属構造における超音波誘導波センシングのためのエコーロケーションとマッピングのフレームワークを提示します。
これらの方法では、材料内の超音波の伝播を考慮した物理ベースの測定モデルを使用して、提案された距離場を利用します。
これらのフレームワークの健全性を実証するために、実際の実験が行われます。

要約(オリジナル)

This paper introduces a novel method to estimate distance fields from noisy point clouds using Gaussian Process (GP) regression. Distance fields, or distance functions, gained popularity for applications like point cloud registration, odometry, SLAM, path planning, shape reconstruction, etc. A distance field provides a continuous representation of the scene defined as the shortest distance from any query point and the closest surface. The key concept of the proposed method is the transformation of a GP-inferred latent scalar field into an accurate distance field by using a reverting function related to the kernel inverse. The latent field can be interpreted as a smooth occupancy map. This paper provides the theoretical derivation of the proposed method as well as a novel uncertainty proxy for the distance estimates. The improved performance compared with existing distance fields is demonstrated with simulated experiments. The level of accuracy of the proposed approach enables novel applications that rely on precise distance estimation: this work presents echolocation and mapping frameworks for ultrasonic-guided wave sensing in metallic structures. These methods leverage the proposed distance field with a physics-based measurement model accounting for the propagation of the ultrasonic waves in the material. Real-world experiments are conducted to demonstrate the soundness of these frameworks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google