3D Uncertain Implicit Surface Mapping using GMM and GP

要約

この研究では、ノイズが多く不完全な LiDAR スキャン データから導出された、不確実な表面を正確に表現する連続 3 次元 (3D) モデルを構築するという課題に取り組みます。
構造化された建築モデルにガウス プロセス (GP) とガウス混合モデル (GMM) を利用した以前の研究に基づいて、GMM 回帰と微分観測による GP が適用される、都市シーンの複雑な表面に合わせたより一般化されたアプローチを導入します。
。
階層型 GMM (HGMM) を使用して、GMM コンポーネントの数を最適化し、GMM トレーニングを高速化します。
HGMM から取得した事前マップを使用して、GP 推論に従って最終マップを改良します。
私たちのアプローチは、地理オブジェクトの暗黙的な表面をモデル化し、測定によって完全にはカバーされていない領域の推論を可能にします。
GMM と GP を統合すると、表面モデルとともに適切に校正された不確実性が得られ、精度と信頼性の両方が向上します。
提案された方法は、モバイルマッピングシステムによって収集された実際のデータに基づいて評価されます。
他の最先端の手法のマッピング精度と不確実性の定量化のパフォーマンスと比較して、提案された手法は、評価されたデータセットの RMSE が低く、対数尤度値が高く、計算コストが低くなります。

要約(オリジナル)

In this study, we address the challenge of constructing continuous three-dimensional (3D) models that accurately represent uncertain surfaces, derived from noisy and incomplete LiDAR scanning data. Building upon our prior work, which utilized the Gaussian Process (GP) and Gaussian Mixture Model (GMM) for structured building models, we introduce a more generalized approach tailored for complex surfaces in urban scenes, where GMM Regression and GP with derivative observations are applied. A Hierarchical GMM (HGMM) is employed to optimize the number of GMM components and speed up the GMM training. With the prior map obtained from HGMM, GP inference is followed for the refinement of the final map. Our approach models the implicit surface of the geo-object and enables the inference of the regions that are not completely covered by measurements. The integration of GMM and GP yields well-calibrated uncertainties alongside the surface model, enhancing both accuracy and reliability. The proposed method is evaluated on real data collected by a mobile mapping system. Compared to the performance in mapping accuracy and uncertainty quantification of other state-of-the-art methods, the proposed method achieves lower RMSEs, higher log-likelihood values and lower computational costs for the evaluated datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google