Learning Where to Look: Self-supervised Viewpoint Selection for Active Localization using Geometrical Information

要約

多様な環境における正確な位置特定は、コンピューター ビジョンとロボット工学における基本的な課題です。
このタスクには、特定の空間内でセンサー (通常はカメラ) の正確な位置と方向を決定することが含まれます。
従来の位置特定方法は受動的なセンシングに依存することが多く、機能が制限されているシナリオや動的な環境では困難になる可能性があります。
これに応えて、この論文ではアクティブローカライゼーションの領域を調査し、ローカライゼーションの精度を高めるための視点選択の重要性を強調します。
私たちの貢献には、リアルタイム操作用に設計されたシンプルなアーキテクチャを備えたデータ駆動型アプローチの使用、自己監視型データ トレーニング方法、および現実世界のロボット工学アプリケーションに合わせた計画フレームワークにマップを一貫して統合する機能が含まれます。
私たちの結果は、同様の問題を対象とし、合成データと実際のデータを一般化することで、私たちの方法が既存の方法よりも優れたパフォーマンスを発揮することを示しています。
また、コミュニティに利益をもたらすためにオープンソース実装もリリースします。

要約(オリジナル)

Accurate localization in diverse environments is a fundamental challenge in computer vision and robotics. The task involves determining a sensor’s precise position and orientation, typically a camera, within a given space. Traditional localization methods often rely on passive sensing, which may struggle in scenarios with limited features or dynamic environments. In response, this paper explores the domain of active localization, emphasizing the importance of viewpoint selection to enhance localization accuracy. Our contributions involve using a data-driven approach with a simple architecture designed for real-time operation, a self-supervised data training method, and the capability to consistently integrate our map into a planning framework tailored for real-world robotics applications. Our results demonstrate that our method performs better than the existing one, targeting similar problems and generalizing on synthetic and real data. We also release an open-source implementation to benefit the community.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google