Probabilistic Point Cloud Modeling via Self-Organizing Gaussian Mixture Models

要約

このレターでは、有限ガウス混合モデル (GMM) を使用した空間点群データの連続確率モデリング手法を紹介します。このモデルでは、シーンの複雑さに基づいてコンポーネントの数が調整されます。
モデルの忠実度とサイズのバランスをとるという課題に対処するために提案された階層的および適応的な方法はほとんどありません。
代わりに、最先端のマッピング アプローチでは、特定のユース ケースに合わせてパラメーターを調整する必要がありますが、さまざまな環境で一般化することはできません。
このギャップに対処するために、情報理論学習からの自己組織化原理を利用して、センサー データの関連情報に基づいて GMM モデルの複雑さを自動的に適応させます。
このアプローチは、さまざまな程度のシーンの複雑さを持つ実世界のデータで、既存の点群モデリング手法に対して評価されます。

要約(オリジナル)

This letter presents a continuous probabilistic modeling methodology for spatial point cloud data using finite Gaussian Mixture Models (GMMs) where the number of components are adapted based on the scene complexity. Few hierarchical and adaptive methods have been proposed to address the challenge of balancing model fidelity with size. Instead, state-of-the-art mapping approaches require tuning parameters for specific use cases, but do not generalize across diverse environments. To address this gap, we utilize a self-organizing principle from information-theoretic learning to automatically adapt the complexity of the GMM model based on the relevant information in the sensor data. The approach is evaluated against existing point cloud modeling techniques on real-world data with varying degrees of scene complexity.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google