Fugu-MT 論文翻訳(概要): Structureless VIO

論文の概要: Structureless VIO

arxiv url: http://arxiv.org/abs/2505.12337v2
Date: Mon, 16 Jun 2025 14:16:15 GMT
ステータス: 翻訳完了
システム内更新日: 2025-06-17 15:15:31.004267
Title: Structureless VIO
Title（参考訳）: 無構造VIO
Authors: Junlin Song, Miguel Olivares-Mendez,
Abstract要約: ビジュアル・オドメトリー(VO)は典型的にはニワトリ・アンド・エッグの問題と考えられており、局所化とマッピングモジュールは密結合である。そこで我々は,視覚マップをオドメトリーフレームワークから除去する構造のない新しいVIOを提案する。
参考スコア（独自算出の注目度）: 0.4143603294943439
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Visual odometry (VO) is typically considered as a chicken-and-egg problem, as the localization and mapping modules are tightly-coupled. The estimation of a visual map relies on accurate localization information. Meanwhile, localization requires precise map points to provide motion constraints. This classical design principle is naturally inherited by visual-inertial odometry (VIO). Efficient localization solutions that do not require a map have not been fully investigated. To this end, we propose a novel structureless VIO, where the visual map is removed from the odometry framework. Experimental results demonstrated that, compared to the structure-based VIO baseline, our structureless VIO not only substantially improves computational efficiency but also has advantages in accuracy.
Abstract（参考訳）: ビジュアル・オドメトリー(VO)は典型的にはニワトリ・アンド・エッグの問題と考えられており、局所化とマッピングモジュールは密結合である。視覚マップの推定は正確な位置化情報に依存する。一方、ローカライゼーションは、動きの制約を提供するために正確なマップポイントを必要とする。この古典的な設計原則は自然に視覚慣性オドメトリー(VIO)によって継承される。地図を必要としない効率的な局所化解は、十分に研究されていない。そこで本研究では,視覚マップをオドメトリーフレームワークから除去する構造のない新しいVIOを提案する。実験の結果,構造ベースのVIOベースラインと比較して,構造のないVIOは計算効率を大幅に向上するだけでなく,精度も優れていることがわかった。

関連論文リスト

VOOM: Robust Visual Object Odometry and Mapping using Hierarchical Landmarks [19.789761641342043]
本稿では,ビジュアルオブジェクトのオドメトリとマッピングフレームワーク VOOM を提案する。粗い方法で階層的なランドマークとして、高レベルのオブジェクトと低レベルのポイントを使用します。 VOOMはオブジェクト指向SLAMと特徴点SLAMシステムの両方をローカライゼーションで上回る。
論文参考訳（メタデータ） (2024-02-21T08:22:46Z)
Object Structural Points Representation for Graph-based Semantic Monocular Localization and Mapping [9.61301182502447]
本稿では,単一分子意味論的SLAMシステムにおいて,対象の幾何学をランドマークとして用いるための,構造点に基づく効率的な表現法を提案する。特に、ポーズグラフ内のランドマークノードに対して、オブジェクトの位置、向き、サイズ/スケールを格納する逆深さパラメトリゼーションを提案する。
論文参考訳（メタデータ） (2022-06-21T11:32:55Z)
Robust Self-Supervised LiDAR Odometry via Representative Structure Discovery and 3D Inherent Error Modeling [67.75095378830694]
そこで我々は,2段階のオドメトリ推定ネットワークを構築し,一連の部分領域変換を推定してエゴモーメントを求める。本稿では,トレーニング,推論,マッピングフェーズにおける信頼できない構造の影響を軽減することを目的とする。我々の2フレームのオードメトリーは、翻訳/回転誤差の点で、過去の芸術の状態を16%/12%上回っている。
論文参考訳（メタデータ） (2022-02-27T12:52:27Z)
CAMERAS: Enhanced Resolution And Sanity preserving Class Activation Mapping for image saliency [61.40511574314069]
バックプロパゲーション画像のサリエンシは、入力中の個々のピクセルのモデル中心の重要性を推定することにより、モデル予測を説明することを目的としている。 CAMERASは、外部の事前処理を必要とせずに、高忠実度バックプロパゲーション・サリエンシ・マップを計算できる手法である。
論文参考訳（メタデータ） (2021-06-20T08:20:56Z)
Geometric Structure Aided Visual Inertial Localization [24.42071242531681]
計算コストを削減し、位置決め精度を高めるために、ハイブリッドマップ表現に基づく完全な視覚的位置決めシステムを提案する。バッチ最適化では、視覚的要因を使わずに、インスタントローカライゼーション結果に先立ってポーズを推定するモジュールを開発する。 EuRoC MAVデータセットの実験結果は、芸術の状況と比較して、競争力のある性能を示している。
論文参考訳（メタデータ） (2020-11-09T03:48:39Z)
Better Patch Stitching for Parametric Surface Reconstruction [100.55842629739574]
ローカルマッピングのグローバルな一貫性を明示的に促進するアプローチを導入する。第一項は表面の正規性を利用しており、個々の写像内および全体にわたって推定された場合、局所的に一貫した状態を保つことを要求する。第2項はさらに、新しい縫合誤差を最小化することにより、マッピングの空間構成を改善する。
論文参考訳（メタデータ） (2020-10-14T12:37:57Z)
Making Affine Correspondences Work in Camera Geometry Computation [62.7633180470428]
局所的な特徴は、ポイント・ツー・ポイント対応ではなく、リージョン・ツー・リージョンを提供する。本稿では,全モデル推定パイプラインにおいて,地域間マッチングを効果的に活用するためのガイドラインを提案する。実験により、アフィンソルバはより高速な実行時にポイントベースソルバに匹敵する精度を達成できることが示された。
論文参考訳（メタデータ） (2020-07-20T12:07:48Z)
GMMLoc: Structure Consistent Visual Localization with Gaussian Mixture Models [23.72910988500612]
ガウス混合モデル(GMM)によりモデル化された先行マップにおけるカメラ追跡手法を提案する。ポーズを最初にフロントエンドで推定すると、局所的な視覚観測とマップコンポーネントは効率的に関連付けられる。計算オーバーヘッドの少ないセンチメートルレベルのローカライズ精度を実現する方法を示す。
論文参考訳（メタデータ） (2020-06-24T12:41:03Z)
Rethinking Localization Map: Towards Accurate Object Perception with Self-Enhancement Maps [78.2581910688094]
本研究は, カテゴリーラベルのみを監督として, 正確な対象位置分布マップと対象境界を抽出する, 新たな自己強調手法を提案する。特に、提案されたセルフエンハンスメントマップは、ILSVRC上で54.88%の最先端のローカライゼーション精度を達成する。
論文参考訳（メタデータ） (2020-06-09T12:35:55Z)
Multi-View Optimization of Local Feature Geometry [70.18863787469805]
本研究では,複数視点からの局所像の特徴の幾何を,未知のシーンやカメラの幾何を伴わずに精査する問題に対処する。提案手法は,従来の特徴抽出とマッチングのパラダイムを自然に補完する。本手法は,手作りと学習の両方の局所的特徴に対して,三角測量とカメラのローカライゼーション性能を常に向上することを示す。
論文参考訳（メタデータ） (2020-03-18T17:22:11Z)

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。