El nuevo modelo de IA muestra la resiliencia en medio de datos de nubes de puntos dispersos

Tabla de enlaces

Resumen y 1. Introducción

2. Trabajo relacionado

3. Método

   3.1 Descripción common de nuestro método

   3.2 Recuperación gruesa de celda de texto

   3.3 Estimación de posición fina

   3.4 Objetivos de entrenamiento

4. Experimentos

   4.1 Descripción del conjunto de datos y 4.2 Detalles de implementación

   4.3 Criterios de evaluación y 4.4 resultados

5. Análisis de rendimiento

   5.1 Estudio de ablación

   5.2 Análisis cualitativo

   5.3 Análisis de incrustación de texto

6. Conclusión y referencias

Materials complementario

7. Detalles del conjunto de datos Kitti360 Pose
8. Más experimentos en el extractor de consultas de instancia
9. Análisis espacial de incrustación de células de texto
10. Más resultados de visualización
11. Análisis de robustez de la nube de puntos

Autores anónimos

1. Detalles del conjunto de datos Kitti360 Pose
2. Más experimentos en el extractor de consultas de instancia
3. Análisis espacial de incrustación de células de texto
4. Más resultados de visualización
5. Análisis de robustez de la nube de puntos

4 resultados de visualización más

La figura 3 muestra más resultados de visualización, incluidos los resultados de la recuperación y los resultados de la estimación de la posición fina. Los resultados sugieren que la recuperación de células de texto gruesas sirve como un paso basic en el proceso common de localización. La estimación de posición fina posterior generalmente mejora el rendimiento de la localización. Sin embargo, hay casos en los que la precisión de esta buena estimación se ve comprometida, particularmente cuando las descripciones de entrada son vagas. Este efecto perjudicial sobre la precisión se ilustra en la 4ª fila y la 6ª fila si la Fig. 3.

Análisis de robustez de 5 puntos en la nube

Obras anteriores [? ? ? ] centrado únicamente en examinar el impacto de las modificaciones textuales en la precisión de la localización, ignorando el impacto de la modificación de la nube de puntos. En este estudio, consideramos aún más los efectos de la degradación de la nube de puntos, lo cual es essential para analizar completamente nuestro modelo IFRP-T2P. A diferencia de las nubes de punto acumuladas proporcionadas en el conjunto de datos de posposición de Kitti360, los sensores LiDAR generalmente capturan solo nubes de puntos dispersos en entornos del mundo actual. Para evaluar la robustez de nuestro modelo en condiciones de escasez de nubes de puntos, realizamos experimentos enmascarando aleatoriamente un tercio de los puntos y comparamos estos resultados con los obtenidos utilizando nubes de puntos crudos. Como se ilustra en la Fig. 4, al tomar la nube de puntos enmascarada como entrada, nuestro modelo IFRP-T2P logra un retiro de localización de 0.20 en Prime-1 con un error de error de 𝜖 <5𝑚 en el conjunto de validación. En comparación con Text2Loc, que muestra una degradación del 22,2%, nuestro modelo exhibe una tasa de degradación más baja del 15%. Este resultado indica que nuestro modelo es más robusto para señalar la variación de la nube.