RPV-SLAM: Range-augmented Panoramic Visual SLAM for Mobile Mapping System with Panoramic Camera and Tilted LiDAR
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
A LiDAR-assisted panoramic visual simultaneous localization and mapping (SLAM) system for a mobile mapping system (MMS) is presented in this paper. The feasibility research on the SLAM for MMS with a panoramic camera and a tilted LiDAR without GPS/IMU sparked our interest. Because of the significant disparity in spatial sensing coverage, we show that employing a panoramic camera as a primary sensor for SLAM is more suitable than using a tilted LiDAR in this particular sensor combination. Existing panoramic visual SLAM systems, on the other hand, produce up-to-scale results, making them inappropriate for many applications that require metrically-scaled results. We develop a panoramic visual SLAM system that uses LiDAR points to generate metrically-scaled outputs to address this constraint. First, the suggested SLAM system augments visual features with ranges generated from LiDAR points. Following that, the visual features are fed into the SLAM pipeline, which performs tracking, local mapping, and loop closing. Finally, the scale information in the ranges augmented to visual features is integrated into the SLAM pipeline via the production of metrically-scaled map points, eventually leading to metrically-scaled SLAM results. Extensive testing in challenging outdoor conditions has proven the effectiveness and robustness of the proposed SLAM system.
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 | 0,000 | 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 découle