Self Supervised Deep Learning for Robot Grasping

投稿日: 2024年10月21日 作成者: jarxiv

要約

学習ベースのロボット把握には現在、ラベル付きデータの使用が含まれています。
このアプローチには 2 つの大きな欠点があります。
まず、把握点と角度のデータにラベルを付けるのは骨の折れるプロセスであるため、データセットは限られたままです。
第二に、人間によるラベル付けは意味論によるバイアスがかかりやすいです。
これらの問題を解決するために、畳み込みニューラル ネットワーク (CNN) をトレーニングする、より単純な自己監視型ロボットのセットアップを提案します。
ロボットはトレーニング プロセス中にデータにラベルを付けて収集します。
そのアイデアは、研究室のセットアップにおいて、より低コストで小型でメンテナンスが容易なロボットを作成することです。
ロボットは大規模なデータセットで数百時間トレーニングされ、その後、トレーニングされたニューラル ネットワークがより大型の把握ロボットにマッピングされます。

要約(オリジナル)

Learning Based Robot Grasping currently involves the use of labeled data. This approach has two major disadvantages. Firstly, labeling data for grasp points and angles is a strenuous process, so the dataset remains limited. Secondly, human labeling is prone to bias due to semantics. In order to solve these problems we propose a simpler self-supervised robotic setup, that will train a Convolutional Neural Network (CNN). The robot will label and collect the data during the training process. The idea is to make a robot that is less costly, small and easily maintainable in a lab setup. The robot will be trained on a large data set for several hundred hours and then the trained Neural Network can be mapped onto a larger grasping robot.

arxiv情報

著者 Danyal Saqib,Wajahat Hussain
発行日 2024-10-17 23:26:55+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.CV, cs.RO | Self Supervised Deep Learning for Robot Grasping はコメントを受け付けていません

A Convex Formulation of Frictional Contact for the Material Point Method and Rigid Bodies

投稿日: 2024年10月21日 作成者: jarxiv

要約

この論文では、摩擦接触シナリオにおけるマテリアル ポイント法 (MPM) と関節剛体ダイナミクスをシームレスに統合する新しい凸定式化を紹介します。
線形共回転超弾性モデルを弾塑性の領域に拡張し、効率的なリターン マッピング アルゴリズムを組み込みます。
このアプローチは、最適化問題の凸性を維持しながら、大幅な変形やトポロジーの変更を伴う MPM シミュレーションに特に効果的です。
私たちの手法はグローバルな収束を保証し、ロバスト性を損なうことなく大きなシミュレーション タイム ステップの使用を可能にします。
当社は厳格なテストと性能評価を通じてアプローチを検証し、ロボット工学に関連する複雑なシミュレーションの管理における優れた機能を強調しました。
以前の MPM ベースのロボット シミュレーターと比較して、私たちの方法は、ロボット操作タスクの重要な要素である接触解像度の安定性を大幅に向上させます。
私たちは、オープンソースのロボット工学ツールキットである Drake でこのメソッドを利用できるようにしています。
補足ビデオは https://youtu.be/5jrQtF5D0DA でご覧いただけます。

要約(オリジナル)

In this paper, we introduce a novel convex formulation that seamlessly integrates the Material Point Method (MPM) with articulated rigid body dynamics in frictional contact scenarios. We extend the linear corotational hyperelastic model into the realm of elastoplasticity and include an efficient return mapping algorithm. This approach is particularly effective for MPM simulations involving significant deformation and topology changes, while preserving the convexity of the optimization problem. Our method ensures global convergence, enabling the use of large simulation time steps without compromising robustness. We have validated our approach through rigorous testing and performance evaluations, highlighting its superior capabilities in managing complex simulations relevant to robotics. Compared to previous MPM-based robotic simulators, our method significantly improves the stability of contact resolution – a critical factor in robot manipulation tasks. We make our method available in the open-source robotics toolkit, Drake. The supplemental video is available at https://youtu.be/5jrQtF5D0DA

arxiv情報

著者 Zeshun Zong,Chenfanfu Jiang,Xuchen Han
発行日 2024-10-18 01:45:59+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.RO | A Convex Formulation of Frictional Contact for the Material Point Method and Rigid Bodies はコメントを受け付けていません

MarineGym: Accelerated Training for Underwater Vehicles with High-Fidelity RL Simulation

投稿日: 2024年10月21日 作成者: jarxiv

要約

強化学習 (RL) は有望なソリューションであり、無人水中探査機 (UUV) が試行錯誤を通じて最適な動作を学習できるようになります。
ただし、既存のシミュレータには RL 手法との効率的な統合が不足しており、トレーニングのスケーラビリティとパフォーマンスが制限されています。
このペーパーでは、GPU アクセラレーションを利用して UUV の RL トレーニング効率を高めるように設計された新しいシミュレーション フレームワークである MarineGym を紹介します。
MarineGym は、単一 GPU でのリアルタイム シミュレーションと比較して 10,000 倍のパフォーマンス向上を実現し、複数の水中タスクにわたる RL アルゴリズムの迅速なトレーニングを可能にします。
主な機能には、UUV の現実的な動的モデリング、並列環境の実行、PyTorch や TorchRL などの一般的な RL フレームワークとの互換性が含まれます。
このフレームワークは、ステーション キーピング、サークル トラッキング、ヘリカル トラッキング、レムニスケート トラッキングという 4 つの異なるタスクを通じて検証されます。
このフレームワークは、水中ロボット工学における RL を進歩させ、複雑で動的な環境での効率的なトレーニングを促進するための準備を整えます。

要約(オリジナル)

Reinforcement Learning (RL) is a promising solution, allowing Unmanned Underwater Vehicles (UUVs) to learn optimal behaviors through trial and error. However, existing simulators lack efficient integration with RL methods, limiting training scalability and performance. This paper introduces MarineGym, a novel simulation framework designed to enhance RL training efficiency for UUVs by utilizing GPU acceleration. MarineGym offers a 10,000-fold performance improvement over real-time simulation on a single GPU, enabling rapid training of RL algorithms across multiple underwater tasks. Key features include realistic dynamic modeling of UUVs, parallel environment execution, and compatibility with popular RL frameworks like PyTorch and TorchRL. The framework is validated through four distinct tasks: station-keeping, circle tracking, helical tracking, and lemniscate tracking. This framework sets the stage for advancing RL in underwater robotics and facilitating efficient training in complex, dynamic environments.

arxiv情報

著者 Shuguang Chu,Zebin Huang,Mingwei Lin,Dejun Li,Ignacio Carlucho
発行日 2024-10-18 02:03:41+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.RO | MarineGym: Accelerated Training for Underwater Vehicles with High-Fidelity RL Simulation はコメントを受け付けていません

Skill Generalization with Verbs

投稿日: 2024年10月21日 作成者: jarxiv

要約

ロボットが人間によって発行された自然言語コマンドを理解できることが不可欠です。
このようなコマンドには通常、特定のオブジェクトに対してどのようなアクションを実行するかを示し、多くのオブジェクトに適用できる動詞が含まれています。
動詞を用いて新規オブジェクトに対する操作スキルを一般化する手法を提案する。
私たちのメソッドは、特定のオブジェクトの軌跡が特定の動詞で記述できるかどうかを判断する確率的分類子を学習します。
この分類器は、13 のオブジェクト カテゴリと 14 の動詞にわたって平均 76.69% の精度で新しいオブジェクト カテゴリを正確に一般化することを示します。
次に、オブジェクトの運動学に対してポリシー検索を実行して、特定の動詞の分類子予測を最大化するオブジェクトの軌道を見つけます。
私たちの方法では、ロボットが動詞に基づいて新しいオブジェクトの軌道を生成し、それをモーション プランナーへの入力として使用できます。
私たちのモデルは、実際のロボット上の 2 つの異なるオブジェクト カテゴリの新しいインスタンスに適用される 5 つの動詞コマンドを実行するために使用できる軌道を生成できることを示します。

要約(オリジナル)

It is imperative that robots can understand natural language commands issued by humans. Such commands typically contain verbs that signify what action should be performed on a given object and that are applicable to many objects. We propose a method for generalizing manipulation skills to novel objects using verbs. Our method learns a probabilistic classifier that determines whether a given object trajectory can be described by a specific verb. We show that this classifier accurately generalizes to novel object categories with an average accuracy of 76.69% across 13 object categories and 14 verbs. We then perform policy search over the object kinematics to find an object trajectory that maximizes classifier prediction for a given verb. Our method allows a robot to generate a trajectory for a novel object based on a verb, which can then be used as input to a motion planner. We show that our model can generate trajectories that are usable for executing five verb commands applied to novel instances of two different object categories on a real robot.

arxiv情報

著者 Rachel Ma,Lyndon Lam,Benjamin A. Spiegel,Aditya Ganeshan,Roma Patel,Ben Abbatematteo,David Paulius,Stefanie Tellex,George Konidaris
発行日 2024-10-18 02:12:18+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.AI, cs.LG, cs.RO | Skill Generalization with Verbs はコメントを受け付けていません

Coherence-Driven Multimodal Safety Dialogue with Active Learning for Embodied Agents

投稿日: 2024年10月21日 作成者: jarxiv

要約

日常業務で人間を支援する場合、ロボットは視覚的な合図を正確に解釈し、床上の鋭利な物体など安全性が重要なさまざまな状況に効果的に対応する必要があります。
これに関連して、安全性が重要な状況で実体エージェントがよりよく理解し、コミュニケーションできるように特別に設計されたマルチモーダル対話システムである M-CoDAL を紹介します。
このシステムは、談話の一貫性関係を活用して、文脈の理解とコミュニケーション能力を強化します。
このシステムをトレーニングするために、外部の大規模言語モデル (LLM) を利用して有益なインスタンスを識別する新しいクラスタリング ベースのアクティブ ラーニング メカニズムを導入します。
私たちのアプローチは、2K Reddit 画像から抽出された 1K の安全違反を含む新しく作成されたマルチモーダル データセットを使用して評価されます。
これらの違反には、Large Multimodal Model (LMM) を使用して注釈が付けられ、人間のアノテーターによって検証されます。
このデータセットの結果は、私たちのアプローチが安全状況の解決、ユーザーの感情、会話の安全性を向上させることを示しています。
次に、Hello Robot Strech ロボットに対話システムを展開し、現実世界の参加者を対象に被験者内ユーザー調査を実施します。
この研究では、参加者はロボットを使用して、深刻度の異なる 2 つの安全シナリオをロールプレイし、私たちのモデルと OpenAI の ChatGPT を活用したベースライン システムからの介入を受けます。
研究結果は、自動化された評価からの結果を裏付け、拡張し、私たちが提案したシステムが現実世界の身体化されたエージェント設定においてより説得力があり有能であることを示しています。

要約(オリジナル)

When assisting people in daily tasks, robots need to accurately interpret visual cues and respond effectively in diverse safety-critical situations, such as sharp objects on the floor. In this context, we present M-CoDAL, a multimodal-dialogue system specifically designed for embodied agents to better understand and communicate in safety-critical situations. The system leverages discourse coherence relations to enhance its contextual understanding and communication abilities. To train this system, we introduce a novel clustering-based active learning mechanism that utilizes an external Large Language Model (LLM) to identify informative instances. Our approach is evaluated using a newly created multimodal dataset comprising 1K safety violations extracted from 2K Reddit images. These violations are annotated using a Large Multimodal Model (LMM) and verified by human annotators. Results with this dataset demonstrate that our approach improves resolution of safety situations, user sentiment, as well as safety of the conversation. Next, we deploy our dialogue system on a Hello Robot Stretch robot and conduct a within-subject user study with real-world participants. In the study, participants role-play two safety scenarios with different levels of severity with the robot and receive interventions from our model and a baseline system powered by OpenAI’s ChatGPT. The study results corroborate and extend the findings from automated evaluation, showing that our proposed system is more persuasive and competent in a real-world embodied agent setting.

arxiv情報

著者 Sabit Hassan,Hye-Young Chung,Xiang Zhi Tan,Malihe Alikhani
発行日 2024-10-18 03:26:06+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.CL, cs.RO | Coherence-Driven Multimodal Safety Dialogue with Active Learning for Embodied Agents はコメントを受け付けていません

Preference-Based Planning in Stochastic Environments: From Partially-Ordered Temporal Goals to Most Preferred Policies

投稿日: 2024年10月21日 作成者: jarxiv

要約

人間の好みは、必ずしも完全な線形順序で表されるわけではありません。比類のない結果を表現するには、部分的に順序付けされた好みを使用するのが自然です。
この研究では、時間的に拡張された一連の目標に対して部分的に順序付けされた優先順位が与えられた場合、マルコフ決定プロセス (MDP) としてモデル化された確率システムにおける意思決定と確率的計画を検討します。
具体的には、時間的に拡張された各目標は、有限トレース上の線形時間論理 (LTL$_f$) の式を使用して表現されます。
部分的に順序付けされた優先順位を使用して計画を立てるために、順序理論を導入して、時間的目標に対する優先順位を MDP のポリシーに対する優先順位にマッピングします。
したがって、確率的順序付けに基づく最も好ましいポリシーは、MDP の有限パスにわたって確率的非支配確率分布を引き起こします。
最も好ましいポリシーを合成するための、当社の技術的アプローチには 2 つの重要な手順が含まれています。
最初のステップでは、時間的目標に対する部分順序の選好を、受け入れ条件に対する部分順序を持つ半オートマトンである選好オートマトンと呼ばれる計算モデルに変換する手順を開発します。
2 番目のステップでは、最も優先されるポリシーを見つけることは、元の MDP、優先オートマトン、および選択された確率的順序関係から構築される多目的 MDP でパレート最適ポリシーを計算することと同等であることを証明します。
この文書全体を通じて、提案されたプリファレンス仕様とソリューションのアプローチを説明するために実行例を使用します。
これらの例を使用してアルゴリズムの有効性を実証し、詳細な分析を提供してから、いくつかの将来の方向性について説明します。

要約(オリジナル)

Human preferences are not always represented via complete linear orders: It is natural to employ partially-ordered preferences for expressing incomparable outcomes. In this work, we consider decision-making and probabilistic planning in stochastic systems modeled as Markov decision processes (MDPs), given a partially ordered preference over a set of temporally extended goals. Specifically, each temporally extended goal is expressed using a formula in Linear Temporal Logic on Finite Traces (LTL$_f$). To plan with the partially ordered preference, we introduce order theory to map a preference over temporal goals to a preference over policies for the MDP. Accordingly, a most preferred policy under a stochastic ordering induces a stochastic nondominated probability distribution over the finite paths in the MDP. To synthesize a most preferred policy, our technical approach includes two key steps. In the first step, we develop a procedure to transform a partially ordered preference over temporal goals into a computational model, called preference automaton, which is a semi-automaton with a partial order over acceptance conditions. In the second step, we prove that finding a most preferred policy is equivalent to computing a Pareto-optimal policy in a multi-objective MDP that is constructed from the original MDP, the preference automaton, and the chosen stochastic ordering relation. Throughout the paper, we employ running examples to illustrate the proposed preference specification and solution approaches. We demonstrate the efficacy of our algorithm using these examples, providing detailed analysis, and then discuss several potential future directions.

arxiv情報

著者 Hazhar Rahmani,Abhishek N. Kulkarni,Jie Fu
発行日 2024-10-18 03:50:57+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.AI, cs.FL, cs.LO, cs.RO | Preference-Based Planning in Stochastic Environments: From Partially-Ordered Temporal Goals to Most Preferred Policies はコメントを受け付けていません

FetchBench: A Simulation Benchmark for Robot Fetching

投稿日: 2024年10月21日 作成者: jarxiv

要約

近づいたり、掴んだり、取り出したりすることを含むフェッチングは、ロボット操作タスクにとって重要な課題です。
既存の手法は主にテーブルトップのシナリオに焦点を当てており、把握と計画の両方が不可欠な環境の複雑さを適切に捉えることができません。
このギャップに対処するために、把握と動作計画の両方の課題を統合する多様な手順シーンを特徴とする新しいベンチマーク FetchBench を提案します。
さらに、FetchBench には、模倣学習方法で使用するために成功したフェッチ軌跡を収集するデータ生成パイプラインが含まれています。
従来のセンス-プラン-アクトパイプラインからエンドツーエンドの動作モデルまで、複数のベースラインを実装します。
私たちの経験的分析により、これらの方法が達成する最大成功率はわずか 20% であり、改善の余地が大きいことが明らかになりました。
さらに、センス、計画、行為のパイプライン内の主要なボトルネックを特定し、体系的な分析に基づいて推奨事項を作成します。

要約(オリジナル)

Fetching, which includes approaching, grasping, and retrieving, is a critical challenge for robot manipulation tasks. Existing methods primarily focus on table-top scenarios, which do not adequately capture the complexities of environments where both grasping and planning are essential. To address this gap, we propose a new benchmark FetchBench, featuring diverse procedural scenes that integrate both grasping and motion planning challenges. Additionally, FetchBench includes a data generation pipeline that collects successful fetch trajectories for use in imitation learning methods. We implement multiple baselines from the traditional sense-plan-act pipeline to end-to-end behavior models. Our empirical analysis reveals that these methods achieve a maximum success rate of only 20%, indicating substantial room for improvement. Additionally, we identify key bottlenecks within the sense-plan-act pipeline and make recommendations based on the systematic analysis.

arxiv情報

著者 Beining Han,Meenal Parakh,Derek Geng,Jack A Defay,Gan Luyang,Jia Deng
発行日 2024-10-18 03:56:52+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.RO | FetchBench: A Simulation Benchmark for Robot Fetching はコメントを受け付けていません

Optimal DLT-based Solutions for the Perspective-n-Point

投稿日: 2024年10月21日 作成者: jarxiv

要約

我々は、従来の DLT よりもはるかに優れた動作で透視 n 点 (PnP) 問題を解決するための、修正正規化直接線形変換 (DLT) アルゴリズムを提案します。
この変更は、計算負荷の増加を無視して、線形システム内のさまざまな測定値を分析的に重み付けすることで構成されます。
私たちのアプローチは、EPnP、CPnP、RPnP、OPnP などの一般的な方法と比較すると、パフォーマンスと実行時間の両方で明らかな改善を示しています。
私たちの新しい非反復解は、ガウス ニュートン最適化によって見つかった真の最適解に近づきますが、計算コストは​​数分の 1 です。
私たちの最適な DLT (oDLT) 実装と実験は、オープンソースでリリースされています。

要約(オリジナル)

We propose a modified normalized direct linear transform (DLT) algorithm for solving the perspective-n-point (PnP) problem with much better behavior than the conventional DLT. The modification consists of analytically weighting the different measurements in the linear system with a negligible increase in computational load. Our approach exhibits clear improvements — in both performance and runtime — when compared to popular methods such as EPnP, CPnP, RPnP, and OPnP. Our new non-iterative solution approaches that of the true optimal found via Gauss-Newton optimization, but at a fraction of the computational cost. Our optimal DLT (oDLT) implementation, as well as the experiments, are released in open source.

arxiv情報

著者 Sébastien Henry,John A. Christian
発行日 2024-10-18 04:04:58+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.CV, cs.RO | Optimal DLT-based Solutions for the Perspective-n-Point はコメントを受け付けていません

EC-SLAM: Effectively Constrained Neural RGB-D SLAM with Sparse TSDF Encoding and Global Bundle Adjustment

投稿日: 2024年10月21日 作成者: jarxiv

要約

EC-SLAM は、Neural Radiance Fields (NeRF) を活用したリアルタイムの高密度 RGB-D 同時位置特定およびマッピング (SLAM) システムです。
最近の NeRF ベースの SLAM システムは有望な結果を示していますが、ポーズの最適化を制約する NeRF の潜在力をまだ十分に活用していません。
EC-SLAM は、スパース パラメトリック エンコーディングと Truncated Signed Distance Fields (TSDF) を使用してマップを表現することでこの問題に対処し、効率的な融合を可能にし、モデル パラメーターを削減し、収束を加速します。
また、当社のシステムは、NeRF の暗黙的なループ クロージャー修正機能を活用するグローバルに制約されたバンドル調整 (BA) 戦略を採用しており、現在の最適化されたフレームに最も関連するキーフレームの制約を強化することで追跡精度を向上させます。
さらに、ポーズ最適化のための無効な制約点を最小限に抑える特徴ベースの均一なサンプリング戦略を統合することにより、NeRF におけるランダム サンプリングの影響を軽減します。
レプリカ、ScanNet、および TUM データセットの広範な評価により、最大 21 Hz のリアルタイム操作とともに正確な追跡と再構成の精度が達成され、最先端のパフォーマンスが実証されました。

要約(オリジナル)

We introduce EC-SLAM, a real-time dense RGB-D simultaneous localization and mapping (SLAM) system leveraging Neural Radiance Fields (NeRF). While recent NeRF-based SLAM systems have shown promising results, they have yet to fully exploit NeRF’s potential to constrain pose optimization. EC-SLAM addresses this by using sparse parametric encodings and Truncated Signed Distance Fields (TSDF) to represent the map, enabling efficient fusion, reducing model parameters, and accelerating convergence. Our system also employs a globally constrained Bundle Adjustment (BA) strategy that capitalizes on NeRF’s implicit loop closure correction capability, improving tracking accuracy by reinforcing constraints on keyframes most relevant to the current optimized frame. Furthermore, by integrating a feature-based and uniform sampling strategy that minimizes ineffective constraint points for pose optimization, we reduce the impact of random sampling in NeRF. Extensive evaluations on the Replica, ScanNet, and TUM datasets demonstrate state-of-the-art performance, with precise tracking and reconstruction accuracy achieved alongside real-time operation at up to 21 Hz.

arxiv情報

著者 Guanghao Li,Qi Chen,YuXiang Yan,Jian Pu
発行日 2024-10-18 04:26:11+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.RO | EC-SLAM: Effectively Constrained Neural RGB-D SLAM with Sparse TSDF Encoding and Global Bundle Adjustment はコメントを受け付けていません

PAPL-SLAM: Principal Axis-Anchored Monocular Point-Line SLAM

投稿日: 2024年10月21日 作成者: jarxiv

要約

ポイントライン SLAM システムでは、ライン構造情報の利用とラインの最適化が 2 つの重要な問題になります。
前者は通常、構造的規則性によって対処されますが、後者は通常、最適化で線の最小限のパラメーター表現を使用することが含まれます。
ただし、これら 2 つのステップを分離すると、相互の制約情報が失われます。
同様の方向を持つラインを主軸に固定し、$n$ ラインの $n+2$ パラメーターを使用してそれらを最適化し、両方の問題を一緒に解決します。
私たちの方法では、最適化するラインパラメータの数を大幅に削減しながら、異なる世界の仮説に簡単に拡張できるシーンの構造情報を考慮し、迅速かつ正確なマッピングと追跡を可能にします。
システムの堅牢性をさらに強化し、不一致を回避するために、線軸の確率的データの関連付けをモデル化し、軸の作成、更新、最適化のためのアルゴリズムを提供しました。
さらに、現実世界のほとんどのシーンがアトランタ ワールド仮説に準拠していることを考慮して、垂直事前分布と消失点に基づいた構造線検出戦略を提供します。
さまざまな屋内および屋外のデータセットに関する実験結果とアブレーション研究により、当社のシステムの有効性が実証されています。

要約(オリジナル)

In point-line SLAM systems, the utilization of line structural information and the optimization of lines are two significant problems. The former is usually addressed through structural regularities, while the latter typically involves using minimal parameter representations of lines in optimization. However, separating these two steps leads to the loss of constraint information to each other. We anchor lines with similar directions to a principal axis and optimize them with $n+2$ parameters for $n$ lines, solving both problems together. Our method considers scene structural information, which can be easily extended to different world hypotheses while significantly reducing the number of line parameters to be optimized, enabling rapid and accurate mapping and tracking. To further enhance the system’s robustness and avoid mismatch, we have modeled the line-axis probabilistic data association and provided the algorithm for axis creation, updating, and optimization. Additionally, considering that most real-world scenes conform to the Atlanta World hypothesis, we provide a structural line detection strategy based on vertical priors and vanishing points. Experimental results and ablation studies on various indoor and outdoor datasets demonstrate the effectiveness of our system.

arxiv情報

著者 Guanghao Li,Yu Cao,Qi Chen,Yifan Yang,Jian Pu
発行日 2024-10-18 04:32:34+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.CV, cs.RO | PAPL-SLAM: Principal Axis-Anchored Monocular Point-Line SLAM はコメントを受け付けていません