Rumination Meets VSLAM: You Don't Need to Build All the Submaps in Realtime
Notice bibliographique
Résumé
<p>In the application of visual navigation, submap-based VSLAM has become one of the most robust monocular solutions in recent years, which is able to resume tracking by multi-submap maintenance and merging. However, due to the lack of long-term data association, the global consistency of submaps cannot be guaranteed in the existing work. Considering the fact that long-term data association does not have to be produced in realtime, we propose a VSLAM system with realtime and non-realtime hybrid style, RUMI-SLAM. Inspired by the rumination of mammalians that processes food in various stomaches and absorbs it in one stomach, RUMI-SLAM performs distributed submap building and centralized submap management. Building additional submaps in parallel leads to enriched mapping elements and enhanced data association across submaps, especially in challenging situations such as interleaved blurry and texture-poor frames. The experimental results demonstrate the superiority of RUMI-SLAM over the existing VSLAM systems, especially the robustness to challenging situations. We also provide real-robot experiments to demonstrate our RUMI-SLAM in the application of visual navigation. Our study provides a novel submap-based VSLAM framework, which achieves a robust and globally consistent performance.</p>
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 ».