論文の概要: Incorporating GNSS Information with LIDAR-Inertial Odometry for Accurate Land-Vehicle Localization

• arxiv url: http://arxiv.org/abs/2503.23199v1
• Date: Sat, 29 Mar 2025 19:41:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-01 14:33:58.867136
• Title: Incorporating GNSS Information with LIDAR-Inertial Odometry for Accurate Land-Vehicle Localization
• Title（参考訳）: LIDAR-慣性オドメトリーを用いたGNSS情報の導入による陸上車両の正確な位置推定
• Authors: Jintao Cheng, Bohuan Xue, Shiyang Chen, Qiuchi Xiang, Xiaoyu Tang,
• Abstract要約: 高精度な3Dポイントクラウドマップのロバストなローカライゼーションを実現するLIDARベースの新しいローカライゼーションフレームワークを提案する。 このシステムは,LIDARを用いたオドメトリーとグローバル情報を統合し,位置決め状態を最適化する。 このアルゴリズムは、異なるデータセットの様々なマップでテストされ、他のローカライズアルゴリズムよりも堅牢性と精度が高い。
• 参考スコア（独自算出の注目度）: 1.9684593154403558
• License:
• Abstract: Currently, visual odometry and LIDAR odometry are performing well in pose estimation in some typical environments, but they still cannot recover the localization state at high speed or reduce accumulated drifts. In order to solve these problems, we propose a novel LIDAR-based localization framework, which achieves high accuracy and provides robust localization in 3D pointcloud maps with information of multi-sensors. The system integrates global information with LIDAR-based odometry to optimize the localization state. To improve robustness and enable fast resumption of localization, this paper uses offline pointcloud maps for prior knowledge and presents a novel registration method to speed up the convergence rate. The algorithm is tested on various maps of different data sets and has higher robustness and accuracy than other localization algorithms.
• Abstract（参考訳）: 現在、いくつかの典型的な環境では、視覚的オドメトリーとLIDARオドメトリーは、ポーズ推定において良好に機能しているが、高速での局在状態の回復や蓄積ドリフトの低減はいまだにできない。 これらの問題を解決するために,LIDARをベースとした新たなローカライズフレームワークを提案し,マルチセンサ情報を用いた3Dポイントクラウドマップのロバストなローカライズを実現する。 このシステムは,LIDARを用いたオドメトリーとグローバル情報を統合し,位置決め状態を最適化する。 本論文は,ロバスト性の向上とローカライゼーションの高速化を目的として,事前知識にオフラインのポイントクラウドマップを用い,収束速度を高速化する新たな登録手法を提案する。 このアルゴリズムは、異なるデータセットの様々なマップでテストされ、他のローカライズアルゴリズムよりも堅牢性と精度が高い。

関連論文リスト

• KN-LIO: Geometric Kinematics and Neural Field Coupled LiDAR-Inertial Odometry [11.851882531837244]
  近年のニューラルフィールド技術は高密度マッピングにおいて大きな可能性を秘めているが、純粋なLiDARマッピングは高ダイナミックな車両で作業することは困難である。 そこで我々は,幾何キネマティクスとニューラルフィールドを密結合させて,同時状態推定と密写像能力を向上する新しい解を提案する。 我々のKN-LIOは、ポーズ推定において既存の最先端ソリューションに匹敵する性能を達成し、純粋なLiDAR法よりも高密度マッピング精度を向上させる。
  論文  参考訳（メタデータ） (2025-01-08T04:14:09Z)
• Reliable-loc: Robust sequential LiDAR global localization in large-scale street scenes based on verifiable cues [8.074154946982516]
  逐次LiDARデータにおける検証可能なキューを利用した,LiDARに基づく信頼性のあるグローバルローカライゼーション(Reliable-loc)を提案する。 本稿では,シーケンシャルなポーズの不確実性によって誘導される局所状態監視機構を提案する。 信頼性の高い場所は、大規模で複雑なストリートシーンで高い堅牢性、正確性、効率性を示す。
  論文  参考訳（メタデータ） (2024-11-09T07:28:39Z)
• Tightly-Coupled, Speed-aided Monocular Visual-Inertial Localization in Topological Map [0.7373617024876725]
  本稿では,トポロジカルマップを用いた車両速度支援単眼視覚慣性位置推定のための新しいアルゴリズムを提案する。 提案システムは、GPSやLiDARのような高価なセンサーに大きく依存する既存の手法の限界に対処することを目的としている。
  論文  参考訳（メタデータ） (2024-11-08T11:55:27Z)
• DSLO: Deep Sequence LiDAR Odometry Based on Inconsistent Spatio-temporal Propagation [66.8732965660931]
  本稿では,LiDAR odometry DSLO の非一貫性時間伝搬に基づく3次元点列学習モデルを提案する。 ピラミッド構造で、シーケンシャルなポーズモジュール、階層的なポーズリファインメントモジュール、時間的特徴伝搬モジュールで構成されている。
  論文  参考訳（メタデータ） (2024-09-01T15:12:48Z)
• Quadric Representations for LiDAR Odometry, Mapping and Localization [93.24140840537912]
  現在のLiDARオードメトリ、マッピング、ローカライズ手法は、3Dシーンのポイントワイズ表現を利用する。 3次元オブジェクトのよりコンパクトな表現である2次元曲面を用いたシーン記述法を提案する。 提案手法は低レイテンシとメモリの有効性を維持しつつ、競争力があり、しかも精度も優れている。
  論文  参考訳（メタデータ） (2023-04-27T13:52:01Z)
• Learnable Spatio-Temporal Map Embeddings for Deep Inertial Localization [21.300194809454077]
  本稿では,地図上のユーザ位置に関するデータ駆動型事前提案を行う。 従来の手作業で定義した手法よりも,どの地図領域がユーザにとって実現可能な場所かを,より正確にエンコードすることを学びました。
  論文  参考訳（メタデータ） (2022-11-14T18:58:21Z)
• LocUNet: Fast Urban Positioning Using Radio Maps and Deep Learning [59.17191114000146]
  LocUNet: 基地局(BSs)からの受信信号強度(RSS)のみに基づく深層学習手法 提案手法では,BSsからのRSSを,クラウド上に存在する可能性のある中央処理ユニット(CPU)にローカライズする。 推定されたBSのパスロスラジオマップを用いて、LocUNetは最先端の精度でユーザをローカライズし、無線マップの不正確性に対して高い堅牢性を享受する。
  論文  参考訳（メタデータ） (2022-02-01T20:27:46Z)
• Real-time Outdoor Localization Using Radio Maps: A Deep Learning Approach [59.17191114000146]
  LocUNet: ローカライゼーションタスクのための畳み込み、エンドツーエンドのトレーニングニューラルネットワーク(NN)。 我々は,LocUNetがユーザを最先端の精度でローカライズし,無線マップ推定における不正確性が高いことを示す。
  論文  参考訳（メタデータ） (2021-06-23T17:27:04Z)
• CodeVIO: Visual-Inertial Odometry with Learned Optimizable Dense Depth [83.77839773394106]
  本稿では,軽量で密結合の深い深度ネットワークと視覚慣性オドメトリーシステムを提案する。 我々は、初期深度予測の精度を高めるために、以前にVIOから切り離されたスパース特徴を持つネットワークを提供する。 本稿では,ネットワークとコードヤコビアンでのみGPUアクセラレーションを活用しながら,シングルスレッド実行でリアルタイムに動作可能であることを示す。
  論文  参考訳（メタデータ） (2020-12-18T09:42:54Z)
• LOL: Lidar-Only Odometry and Localization in 3D Point Cloud Maps [0.6091702876917281]
  都市部を走行するライダー搭載車両の軌道計測と位置推定の問題に対処する。 オンライン3Dポイントクラウドと事前オフラインマップとの間の幾何学的に類似した位置を検出するために,位置認識手法を適用した。 異なる長さと環境の複数のKittiデータセット上で,提案するLOLシステムの有用性を実証する。
  論文  参考訳（メタデータ） (2020-07-03T10:20:53Z)
• Reconfigurable Voxels: A New Representation for LiDAR-Based Point Clouds [76.52448276587707]
  本稿では,3次元点群から表現を構成する新しい手法であるReconfigurable Voxelsを提案する。 具体的には,各地区を一定数のボクセルで適応的にカバーするランダムウォーク方式を考案する。 この手法は,特に疎水領域において,ボクセル特性の安定性を効果的に向上することがわかった。
  論文  参考訳（メタデータ） (2020-04-06T15:07:16Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。