Hierarchical Attention and Graph Neural Networks: Toward Drift-Free Pose Estimation

要約

3D 幾何学的な位置合わせに対処するために最も一般的に使用される方法は、反復最少点アルゴリズムです。このアプローチは増分的であり、複数の連続するフレームにわたってドリフトする傾向があります。
このドリフトに対処する一般的な戦略は、フレーム間の登録に続くポーズ グラフの最適化であり、以前に訪れた場所を識別するループ クロージャ プロセスを組み込んでいます。
この論文では、従来の幾何学的な位置合わせとポーズ グラフの最適化を、階層的注意メカニズムとグラフ ニューラル ネットワークを利用した学習済みモデルで置き換えるフレームワークを検討します。
私たちは、剛体ポーズの正確な推定に必要な重要な情報を保存しながら、データ フローを圧縮する戦略を提案します。
KITTI オドメトリ データセットのテストから得られた結果は、姿勢推定の精度が大幅に向上していることを示しています。
この改善は、姿勢グラフ最適化による従来の多方向位置合わせによって得られた結果と比較した場合、回転成分の決定において特に顕著です。
コードはレビュープロセスが完了すると利用可能になります。

要約(オリジナル)

The most commonly used method for addressing 3D geometric registration is the iterative closet-point algorithm, this approach is incremental and prone to drift over multiple consecutive frames. The Common strategy to address the drift is the pose graph optimization subsequent to frame-to-frame registration, incorporating a loop closure process that identifies previously visited places. In this paper, we explore a framework that replaces traditional geometric registration and pose graph optimization with a learned model utilizing hierarchical attention mechanisms and graph neural networks. We propose a strategy to condense the data flow, preserving essential information required for the precise estimation of rigid poses. Our results, derived from tests on the KITTI Odometry dataset, demonstrate a significant improvement in pose estimation accuracy. This improvement is especially notable in determining rotational components when compared with results obtained through conventional multi-way registration via pose graph optimization. The code will be made available upon completion of the review process.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google