Help us understand the problem. What is going on with this article?

Pop-up SLAM: Semantic Monocular Plane SLAM for Low-texture Environments

SLAMのお話。低テクスチャ環境における単一画像による3Dレイアウトモデルの生成の改善について見かけたので残しておく。(そもそもplane-netによるdepth-mapによる精度の高い3Dモデルの生成は難しいし時間がかかる(depth-map生成のタイミングで時間がかかる))

Pop-up SLAM: Semantic Monocular Plane SLAM for Low-texture Environments

Abstract
Existing simultaneous localization and mapping (SLAM) algorithms are not robust in challenging low-texture environments because there are only few salient features. The resulting sparse or semi-dense map also conveys little information for motion planning. Though some work utilize plane or scene layout for dense map regularization, they require decent state estimation from other sources. In this paper, we propose real-time monocular plane SLAM to demonstrate that scene understanding could improve both state estimation and dense mapping especially in low-texture environments. The plane measurements come from a pop-up 3D plane model applied to each single image. We also combine planes with point based SLAM to improve robustness. On a public TUM dataset, our algorithm generates a dense semantic 3D model with pixel depth error of 6.2 cm while existing SLAM algorithms fail. On a 60 m long dataset with loops, our method creates a much better 3D model with state estimation error of 0.67%.

既存のSLAMアルゴリズムは目立った特徴がないため、低テクスチャ環境ではロバスト性はありません。結果として生じるスパースまたは純密度マップもまたモーションプランニングのための情報もほとんど伝達しません。いくつかの作業では密度マップの正則化のために平面またはシーンレイアウトを利用していますが、他の情報源による正確な状態推定が必要です。本論文では、低テクスチャ環境における状態推定と高密度マッピングの両方を改善できることを実証するために、単眼平面SLAMを提案します。平面測定は各単一画像に適用される3Dポップアップから来ます。またロバスト性を向上させるために、平面とポイントに基づいたSLAMを組み合わせています。公開されているTUMデータセットで、本アルゴリズムは既存のSLAMアルゴリズムが失敗するのに対して6.2cmのピクセル深度誤差を有する高密度セマンティック3Dモデルを生成します。ループを用いた佐賀さ60mのデータセットでは、私たちの方法は0.67%の状態推定誤差を有するより良い3Dモデルを作成します。

https://www.youtube.com/watch?v=TOSOWdxmtkw

http://www.frc.ri.cmu.edu/~syang/corridor_plane_slam.html

Why not register and get more from Qiita?
  1. We will deliver articles that match you
    By following users and tags, you can catch up information on technical fields that you are interested in as a whole
  2. you can read useful information later efficiently
    By "stocking" the articles you like, you can search right away
Comments
No comments
Sign up for free and join this conversation.
If you already have a Qiita account
Why do not you register as a user and use Qiita more conveniently?
You need to log in to use this function. Qiita can be used more conveniently after logging in.
You seem to be reading articles frequently this month. Qiita can be used more conveniently after logging in.
  1. We will deliver articles that match you
    By following users and tags, you can catch up information on technical fields that you are interested in as a whole
  2. you can read useful information later efficiently
    By "stocking" the articles you like, you can search right away
ユーザーは見つかりませんでした