Pose Estimation from Camera Images for Underwater Inspection

要約

高精度の位置特定は、水中再検査ミッションにおいて極めて重要です。
慣性ナビゲーション システム、ドップラー速度ロガー、音響測位などの従来の位置特定方法は、重大な課題に直面しており、一部のアプリケーションでは費用対効果が高くありません。
このような場合、視覚的位置特定は費用対効果の高い代替手段であり、検査車両にすでに装備されているカメラを活用して、周囲の風景の画像から姿勢を推定します。
その中でも、画像からの機械学習ベースの姿勢推定は水中環境で有望であり、以前にマッピングされたシーンに基づいてトレーニングされたモデルを使用して効率的な再位置推定を実行します。
私たちは、画像形式、モデル アーキテクチャ、トレーニング データの多様性の影響を評価しながら、清流と濁水の両方の検査ミッションにおける学習ベースの姿勢推定器の有効性を調査します。
私たちは、新しいビュー合成モデルを採用して拡張トレーニング データを生成することで革新し、未踏の領域での姿勢推定を大幅に強化します。
さらに、拡張カルマン フィルターを介して姿勢推定器の出力とセンサー データを統合することで位置特定の精度を向上させ、軌道の滑らかさと精度の向上を実証しました。

要約(オリジナル)

High-precision localization is pivotal in underwater reinspection missions. Traditional localization methods like inertial navigation systems, Doppler velocity loggers, and acoustic positioning face significant challenges and are not cost-effective for some applications. Visual localization is a cost-effective alternative in such cases, leveraging the cameras already equipped on inspection vehicles to estimate poses from images of the surrounding scene. Amongst these, machine learning-based pose estimation from images shows promise in underwater environments, performing efficient relocalization using models trained based on previously mapped scenes. We explore the efficacy of learning-based pose estimators in both clear and turbid water inspection missions, assessing the impact of image formats, model architectures and training data diversity. We innovate by employing novel view synthesis models to generate augmented training data, significantly enhancing pose estimation in unexplored regions. Moreover, we enhance localization accuracy by integrating pose estimator outputs with sensor data via an extended Kalman filter, demonstrating improved trajectory smoothness and accuracy.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google