A Frequency Domain Approach to Registration Estimation in Three-Dimensional Space
Notice bibliographique
Résumé
Autonomous robotic systems require automatic registration of data that are collected by on-board sensors. Techniques requiring user intervention are unsuitable for autonomous robotic applications, whereas iterative-based techniques do not scale well as the data set size increases and, additionally, tend toward locally minimal solutions. To avoid the latter problem, an accurate initial estimation of the transformation is required for iterative algorithms to properly perform. However, in some situations, an initial estimate of the transformation may not be readily available; hence, a method that does not require such an initial estimate nor descends into local minima is desirable. The method presented in this paper takes advantage of the multidimensional Fourier transform, which inherently decouples the estimation of the rotational parameters from the estimation of the translational parameters, to compute 3-D registration between range images without requiring an initial estimation of the transformation and avoiding problems of the classical iterative techniques. Using the magnitude of the Fourier transform, an axis of rotation is estimated by determining the line that contains the minimal energy differential between two rotated 3-D images. A coarse-to-fine approach is used to determine the angle of rotation from the minimal sum of the squared difference between the two rotated images. Due to the Hermitian symmetry introduced by the Fourier transform, two possible solutions for the angle of rotation exist. The proper solution is identified through the use of a phase-correlation technique, and the estimate of translation is simultaneously obtained. Experimental results and an extended performance evaluation illustrate the accuracy that can be achieved by the proposed registration technique on simulated and on real range images. Last, a comparison of computational stability with that of the classical iterative closest point method is presented.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».