RDynaSLAM: Fusing 4D Radar Point Clouds to Visual SLAM in Dynamic Environments
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
The performance of visual SLAM systems, in terms of both robustness and accuracy, can be affected by the presence of dynamic objects in dynamic environments. The utilization of learning-based dynamic SLAM algorithms introduces additional challenges, such as increased power consumption and computing requirements, particularly on mobile platforms. Millimeter wave radar has the capability to directly detect and measure the relative velocity between objects and the radar system. Therefore, this paper presents a novel SLAM system that aims to integrate millimeter wave radar point clouds into visual SLAM in a dynamic environment. First, a real-time dynamic cluster extraction method was developed using Doppler information obtained from 4D radar. It effectively distinguishes between static background points and dynamic points by employing the RANSAC algorithm. The dynamic radar points are subsequently grouped together to create dynamic clusters. Then, the clusters are projected onto the image and expand to produce dynamic masks, taking into account the distribution characteristics. Finally, dynamic masks are employed to eliminate dynamic keypoints during the camera pose estimation, allowing for the estimation to be based solely on static keypoints. Experiments conducted in various daily dynamic scenarios have demonstrated the robustness of RDynaSLAM in operating effectively within dynamic environments. In comparison to ORBSLAM3, RDynaSLAM exhibits a notable reduction in the Root Mean Square Error (RMSE) of Absolute Pose Error (APE) and Relative Pose Error (RPE) in high dynamic environments. The method proposed in this paper has the capability to operate in real-time, without the need for GPU utilization.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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