A Survey on Monocular Re-Localization: From the Perspective of Scene Map Representation

要約

単眼再位置推定 (MRL) は、自律アプリケーションにおける重要なコンポーネントであり、6 自由度のエゴポーズを推定します。
単眼画像に基づくシーン マップ。
ここ数十年で、MRL 技術の開発は大きく進歩しました。
数多くのアルゴリズムが、位置特定の精度と堅牢性の点で並外れた成功を収めています。
MRL では、シーン マップはさまざまな形式で表現され、MRL メソッドがどのように機能するか、および MRL メソッドがどのように実行されるかを決定します。
ただし、私たちの知る限り、既存の調査では、MRL ソリューションと使用されるシーン マップ表現との関係について体系的なレビューは提供されていません。
今回の調査は、こうした観点からMRLの手法を総合的に見直し、そのギャップを埋め、更なる研究を推進するものです。
1) MRL の問題定義を掘り下げ、現在の課題を調査し、既存の調査と比較することから始めます。
2) 多くのよく知られた MRL 手法は、利用されるマップの表現形式 (つまり、地理タグ付きフレーム、視覚的ランドマーク、点群、ベクトル化されたセマンティック マップ、およびニューラル ネットワーク ベースのマップ) に従って 5 つのクラスに分類され、レビューされます。
3) MRL 手法をさまざまなマップと定量的かつ公平に比較​​するために、いくつかの公開データセットを導入し、いくつかの最先端の MRL 手法のパフォーマンスを提供します。
異なるマップを使用したMRL手法の長所と短所を分析します。
4) 最後に、この分野で興味深いトピックをいくつか紹介し、個人的な意見を述べます。
この調査は MRL の貴重な参考資料として機能し、継続的に更新されるこの調査の概要は https://github.com/jinyummiao/map-in-mono-reloc でコミュニティに公開されています。

要約(オリジナル)

Monocular Re-Localization (MRL) is a critical component in autonomous applications, estimating 6 degree-of-freedom ego poses w.r.t. the scene map based on monocular images. In recent decades, significant progress has been made in the development of MRL techniques. Numerous algorithms have accomplished extraordinary success in terms of localization accuracy and robustness. In MRL, scene maps are represented in various forms, and they determine how MRL methods work and how MRL methods perform. However, to the best of our knowledge, existing surveys do not provide systematic reviews about the relationship between MRL solutions and their used scene map representation. This survey fills the gap by comprehensively reviewing MRL methods from such a perspective, promoting further research. 1) We commence by delving into the problem definition of MRL, exploring current challenges, and comparing ours with existing surveys. 2) Many well-known MRL methods are categorized and reviewed into five classes according to the representation forms of utilized map, i.e., geo-tagged frames, visual landmarks, point clouds, vectorized semantic map, and neural network-based map. 3) To quantitatively and fairly compare MRL methods with various map, we introduce some public datasets and provide the performances of some state-of-the-art MRL methods. The strengths and weakness of MRL methods with different map are analyzed. 4) We finally introduce some topics of interest in this field and give personal opinions. This survey can serve as a valuable referenced materials for MRL, and a continuously updated summary of this survey is publicly available to the community at: https://github.com/jinyummiao/map-in-mono-reloc.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google