Automating Node Pruning for LiDAR-Based Topometric Maps in the Context of Teach-and-Repeat
Notice bibliographique
Résumé
Maps are a vital component in autonomous mobile systems. However, they can be computationally expensive to build, particularly in the case of globally-consistent ones. To circumvent this issue, topometric approaches have been proposed, especially in the context of the Teach and Repeat paradigm. These topometric maps are graphs, where nodes are local maps and edges are the known transform between these nodes. When building these topometric maps, one important question is how far apart should these local maps be collected in the environment. On one hand, a densely sampled topometric map will be more robust, but at the cost of an increased database size. On the other hand, fewer local maps mean a more efficient topometric map. Traditional approaches record these local maps at a fixed, regular intervals. In this paper, we propose an offline algorithm that automatically prunes nodes in a way that offers some empirical guarantees on localization errors. In particular, our approach is based on first collecting a densely sampled topometric map, then finding a minimal subset of nodes using a cost-based approach via Dijkstra's Algorithm. Offline experiments on three datasets confirmed the ability of our approach to minimize the size of topometric maps, and showed that the size of the map will vary given a certain demanded localization error tolerance and environment complexity.
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 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 | 0,000 | 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 | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».