Scan registration using segmented region growing NDT
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The Normal Distributions Transform (NDT) scan registration algorithm divides a point cloud using rectilinear voxel cells, then models the points within each cell as a set of Gaussian distributions. A nonlinear optimization is performed in order to register the scans, however the voxel-based approach results in ill-defined cost function derivatives as points cross cell boundaries. In this work, a Segmented Region Growing NDT (SRG-NDT) variant is proposed, which first removes the ground points from the scan, then uses natural features in the environment to generate Gaussian clusters for the NDT algorithm. The removal of the ground points is shown to significantly speed up the scan registration process with negligible effect on the registration accuracy. By clustering the remaining points, the SRG-NDT approach is able to model the environment with fewer Gaussian distributions compared with the voxel-based NDT methods, which allows for a smooth and continuous cost function that guarantees that the optimization will converge. Furthermore, the use of a relatively small number of Gaussian distributions allows for a significant improvement in run-time. Experiments in both urban and forested environments demonstrate that the SRG-NDT approach is able to achieve comparable accuracy to existing methods, but with an average decrease in computation time over ICP, G-ICP, and NDT, of 90.1%, 95.3%, and 94.5%, respectively.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle