論文の概要: Towards Robust LiDAR Localization: Deep Learning-based Uncertainty Estimation

• arxiv url: http://arxiv.org/abs/2509.18954v1
• Date: Tue, 23 Sep 2025 13:02:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-24 20:41:27.849186
• Title: Towards Robust LiDAR Localization: Deep Learning-based Uncertainty Estimation
• Title（参考訳）: ロバストLiDARのローカライゼーションに向けて:ディープラーニングに基づく不確実性推定
• Authors: Minoo Dolatabadi, Fardin Ayar, Ehsan Javanmardi, Manabu Tsukada, Mahdi Javanmardi,
• Abstract要約: 反復クローズトポイント(ICP)は、特徴のない環境や動的なシーンでエラーを起こしやすいため、不正確なポーズ推定につながる。 本稿では、深層学習を利用したデータ駆動型フレームワークを提案し、マッチング前にICPの登録誤差共分散を推定する。 本手法はカルマンフィルタにおけるICPのシームレスな統合を可能にし,局所化精度とロバスト性を向上させる。
• 参考スコア（独自算出の注目度）: 1.9268905951820923
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: LiDAR-based localization and SLAM often rely on iterative matching algorithms, particularly the Iterative Closest Point (ICP) algorithm, to align sensor data with pre-existing maps or previous scans. However, ICP is prone to errors in featureless environments and dynamic scenes, leading to inaccurate pose estimation. Accurately predicting the uncertainty associated with ICP is crucial for robust state estimation but remains challenging, as existing approaches often rely on handcrafted models or simplified assumptions. Moreover, a few deep learning-based methods for localizability estimation either depend on a pre-built map, which may not always be available, or provide a binary classification of localizable versus non-localizable, which fails to properly model uncertainty. In this work, we propose a data-driven framework that leverages deep learning to estimate the registration error covariance of ICP before matching, even in the absence of a reference map. By associating each LiDAR scan with a reliable 6-DoF error covariance estimate, our method enables seamless integration of ICP within Kalman filtering, enhancing localization accuracy and robustness. Extensive experiments on the KITTI dataset demonstrate the effectiveness of our approach, showing that it accurately predicts covariance and, when applied to localization using a pre-built map or SLAM, reduces localization errors and improves robustness.
• Abstract（参考訳）: LiDARベースのローカライゼーションとSLAMは、センサーデータを既存の地図や以前のスキャンと整合させるために、反復的マッチングアルゴリズム、特にICP(Iterative Closest Point)アルゴリズムに依存することが多い。 しかし、ICPは特徴のない環境や動的な場面でエラーを起こしやすいため、不正確なポーズ推定につながる。 ICPに関連する不確実性を正確に予測することは、堅牢な状態推定には不可欠であるが、既存のアプローチは手作りのモデルや単純化された仮定に依存することが多いため、依然として困難である。 さらに、ローカライザビリティ推定のための深層学習に基づくいくつかの手法は、常に利用できるとは限らない事前構築されたマップに依存するか、あるいは不確実性を適切にモデル化できないローカライザブルと非ローカライザブルのバイナリ分類を提供するかのいずれかである。 本研究では,参照マップがなくてもマッチング前のICPの登録誤り共分散を推定するために,ディープラーニングを利用したデータ駆動型フレームワークを提案する。 それぞれのLiDARスキャンを信頼性の高い6-DoF誤差共分散推定値に関連付けることにより、カルマンフィルタにおけるICPのシームレスな統合を可能にし、局所化精度とロバスト性を向上させる。 KITTIデータセットの大規模な実験は,共分散を正確に予測し,事前構築した地図やSLAMを用いた局所化に適用した場合,局所化誤差を低減し,ロバスト性の向上を図っている。

関連論文リスト

• Neural Error Covariance Estimation for Precise LiDAR Localization [1.8874331450711404]
  本稿では,LiDARマップマッチングにおける局所化誤差の共分散を予測するニューラルネットワークベースのフレームワークを提案する。 評価では,局所化精度が2cm向上し,領域が大幅に向上した。
  論文  参考訳（メタデータ） (2025-01-05T14:20:08Z)
• Normalizing Flows for Conformal Regression [0.0]
  Conformal Prediction (CP)アルゴリズムは、ラベル付きデータに基づいて出力を校正することで予測モデルの不確実性を推定する。 キャリブレーション過程をトレーニングすることで、間隔をローカライズする一般的なスキームを提案する。 PapadopoulosらによるError Reweighting CPアルゴリズム(2008年)とは異なり、このフレームワークは名目と経験的条件の妥当性のギャップを推定できる。
  論文  参考訳（メタデータ） (2024-06-05T15:04:28Z)
• Uncertainty Estimation for Heatmap-based Landmark Localization [4.673063715963989]
  推定誤差境界を持つ不確実性によって予測を分類するデータ駆動手法であるQuantile Binningを提案する。 この枠組みは,3つの不確実性対策を比較し,対比することによって実証する。 我々は、Quantile Binsで捕捉された大まかな誤予測をフィルタリングすることで、許容可能なエラー閾値下での予測の割合を大幅に改善する、という結論を導いた。
  論文  参考訳（メタデータ） (2022-03-04T14:40:44Z)
• 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)
• Deep Bayesian ICP Covariance Estimation [3.5136071950790737]
  イテレーティブクローズトポイント(ICP)ポイントクラウド登録アルゴリズムは、状態推定とセンサ融合のために不可欠である。 我々は、ICPの主なエラー源は、センサノイズからシーン形状に至るまで、入力データそのものにあると主張している。 近年の深層学習によるポイントクラウドの活用により,ICPのエラーモデルを学ぶためのデータ駆動型アプローチを提案する。
  論文  参考訳（メタデータ） (2022-02-23T16:42:04Z)
• PDC-Net+: Enhanced Probabilistic Dense Correspondence Network [161.76275845530964]
  高度確率密度対応ネットワーク(PDC-Net+)は、精度の高い高密度対応を推定できる。 我々は、堅牢で一般化可能な不確実性予測に適したアーキテクチャと強化されたトレーニング戦略を開発する。 提案手法は,複数の挑戦的幾何マッチングと光学的フローデータセットに対して,最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-09-28T17:56:41Z)
• Scalable Marginal Likelihood Estimation for Model Selection in Deep Learning [78.83598532168256]
  階層型モデル選択は、推定困難のため、ディープラーニングではほとんど使われない。 本研究は,検証データが利用できない場合,限界的可能性によって一般化が向上し,有用であることを示す。
  論文  参考訳（メタデータ） (2021-04-11T09:50:24Z)
• Evaluating probabilistic classifiers: Reliability diagrams and score decompositions revisited [68.8204255655161]
  確率的に統計的に一貫性があり、最適に結合し、再現可能な信頼性図を自動生成するCORP手法を導入する。 コーパスは非パラメトリックアイソトニック回帰に基づいており、プール・アジャセント・ヴァイオレータ(PAV)アルゴリズムによって実装されている。
  論文  参考訳（メタデータ） (2020-08-07T08:22:26Z)
• Uncertainty Estimation Using a Single Deep Deterministic Neural Network [66.26231423824089]
  本稿では,1回のフォワードパスで,テスト時に分布データポイントの発見と拒否が可能な決定論的ディープモデルを訓練する手法を提案する。 我々は,新しい損失関数とセントロイド更新方式を用いて,これらをスケールトレーニングし,ソフトマックスモデルの精度に適合させる。
  論文  参考訳（メタデータ） (2020-03-04T12:27:36Z)

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。