Saint Louis Art Museum
PulseAugur coverage of Saint Louis Art Museum — every cluster mentioning Saint Louis Art Museum across labs, papers, and developer communities, ranked by signal.
-
DynoSLAM 使用 GNN 实现拥挤空间中更安全的机器人导航
研究人员开发了 DynoSLAM，一种新颖的动态 GraphSLAM 架构，它将图神经网络 (GNN) 集成到因子图优化中，以改善在拥挤环境中的机器人导航。该系统将行人运动预测建模为随机世界模型，使用来自训练有素的 GNN 的蒙特卡洛滚动来捕捉人类互动的不确定性。该方法将这种不确定性嵌入到 SLAM 图中，从而实现更准确的跟踪并防止优化失败，最终为无碰撞机器人导航提供概率安全包络。
-
FreeOcc框架提供无需训练的视觉数据3D占用预测
研究人员开发了FreeOcc，一种新颖的开放词汇占用预测框架，无需任何先验训练或3D标注。该系统处理单目或RGB-D图像序列以构建全局一致的占用图。FreeOcc利用SLAM骨干网络进行姿态估计，高斯更新进行密集映射，并整合来自视觉-语言模型的语义来实现其预测。
-
Holo360D数据集通过连续轨迹推进全景3D重建
研究人员推出了Holo360D，一个旨在改进全景3D重建的新大规模数据集。该数据集包含超过109,000张全景图，并配有注册的点云、网格和相机姿态，解决了现有数据集使用离散相机位置的局限性。Holo360D使用3D激光扫描仪和360相机收集，并通过SLAM系统和定制的后处理流程得到增强，提供了连续轨迹和高完整度的深度图。该数据集旨在为推进前馈3D重建模型，特别是在多视图场景中，建立新的基准。
-
Flow4DGS-SLAM: 光流引导的4D高斯溅射SLAM
研究人员开发了Flow4DGS-SLAM，一个通过整合光流与4D高斯溅射来增强同步定位与地图构建（SLAM）的新型框架。该方法旨在改善静态和动态环境的重建，这是SLAM中一个长期存在的挑战。该系统利用光流来分解运动、分离动态和静态元素以及初始化相机姿态，同时还优化了训练速度和动态建模，以实现更精确的场景重建。
-
新系统改进了AR/VR和机器人领域的摄像头到动作捕捉校准
研究人员开发了一个新的系统，用于校准和验证带有光学动作捕捉的多摄像头设置，特别解决了鱼眼镜头带来的挑战。该系统提高了对常见错误（如附件变化和校准漂移）的鲁棒性，确保了AR/VR、SLAM和机器人应用的更可靠数据。在Meta Quest 3头显上进行的实验证明了其卓越的校准性能和有效检测随时间退化的能力，该系统已集成到生产数据采集流程中。