Improvements to Thin-Sheet 3D LiDAR Fiducial Tag Localization
Notice bibliographique
Résumé
The intensity image-based LiDAR fiducial marker system (IFM) proposes an algorithm to localize 3D fiducials of thin-sheet tags, using patterns compatible with AprilTag and ArUco, which can be attached to other surfaces without impacting the 3D environment. Unfortunately, due to the adoption of 3D-to-2D spherical projection, IFM exhibits two limitations: 1) IFM can only detect fiducials in a single-view point cloud and does not apply to a 3D LiDAR map; and 2) as the distance between the tag and the LiDAR increases, the projection size of the tag decreases until it is too small to be detected. In this paper, aiming to tackle the limitations and benefit downstream tasks such as 3D map merging, we develop an algorithm to improve the localization of thin-sheet 3D LiDAR fiducial tags. Given a 3D point cloud, which can serve as a 3D map, with intensity information, our method automatically outputs tag poses (labeled by ID number) and vertex locations (labeled by index) with respect to the global coordinate system. In particular, we design a new pipeline that gradually analyzes the 3D point cloud of the map from the intensity and geometry perspectives, extracting potential tag-containing point clusters. Then, we introduce an intermediate-plane-based method to further check if each potential cluster has a tag and compute the vertex locations and tag pose if found. We conduct both qualitative and quantitative experiments to demonstrate that the proposed method addresses the limitations of IFM while achieving better accuracy. The open-source implementation of this work is available at:https://github.com/York-SDCNLab/Marker-Detection-General.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,004 |
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 ».