論文の概要: Semi-distributed Cross-modal Air-Ground Relative Localization

• arxiv url: http://arxiv.org/abs/2511.06749v1
• Date: Mon, 10 Nov 2025 06:28:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-11 21:18:45.106326
• Title: Semi-distributed Cross-modal Air-Ground Relative Localization
• Title（参考訳）: 半分散クロスモーダル空域相対的位置決め
• Authors: Weining Lu, Deer Bin, Lian Ma, Ming Ma, Zhihao Ma, Xiangyang Chen, Longfei Wang, Yixiao Feng, Zhouxian Jiang, Yongliang Shi, Bin Liang,
• Abstract要約: ロボット相対的ローカライゼーションの現在のアプローチは、分散マルチロボットSLAMシステムという形で主に実現されている。 我々は、複数のセンサーを統合するために、無人地上車両(UGV)の容量を十分に活用する。 この研究において、UGVと無人航空機(UAV)は独立してSLAMを行い、深層学習に基づくキーポイントとグローバルディスクリプタを抽出した。
• 参考スコア（独自算出の注目度）: 11.828259485114598
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Efficient, accurate, and flexible relative localization is crucial in air-ground collaborative tasks. However, current approaches for robot relative localization are primarily realized in the form of distributed multi-robot SLAM systems with the same sensor configuration, which are tightly coupled with the state estimation of all robots, limiting both flexibility and accuracy. To this end, we fully leverage the high capacity of Unmanned Ground Vehicle (UGV) to integrate multiple sensors, enabling a semi-distributed cross-modal air-ground relative localization framework. In this work, both the UGV and the Unmanned Aerial Vehicle (UAV) independently perform SLAM while extracting deep learning-based keypoints and global descriptors, which decouples the relative localization from the state estimation of all agents. The UGV employs a local Bundle Adjustment (BA) with LiDAR, camera, and an IMU to rapidly obtain accurate relative pose estimates. The BA process adopts sparse keypoint optimization and is divided into two stages: First, optimizing camera poses interpolated from LiDAR-Inertial Odometry (LIO), followed by estimating the relative camera poses between the UGV and UAV. Additionally, we implement an incremental loop closure detection algorithm using deep learning-based descriptors to maintain and retrieve keyframes efficiently. Experimental results demonstrate that our method achieves outstanding performance in both accuracy and efficiency. Unlike traditional multi-robot SLAM approaches that transmit images or point clouds, our method only transmits keypoint pixels and their descriptors, effectively constraining the communication bandwidth under 0.3 Mbps. Codes and data will be publicly available on https://github.com/Ascbpiac/cross-model-relative-localization.git.
• Abstract（参考訳）: 効率的な、正確で、柔軟な相対的な位置決めは、地上での協調作業において不可欠である。 しかし、現在のロボット相対的ローカライゼーションのアプローチは、主に同じセンサー構成の分散マルチロボットSLAMシステムで実現されており、これは全てのロボットの状態推定と密結合しており、柔軟性と精度の両方を制限している。 この目的のために,無人地上機(UGV)の高容量化を活用し,複数のセンサを統合することで,半分散型クロスモーダル空地相対的位置決め機構を実現する。 本研究では、UGVと無人航空機(UAV)が独立にSLAMを実行し、深層学習に基づくキーポイントとグローバルディスクリプタを抽出し、全てのエージェントの状態推定から相対的なローカライゼーションを分離する。 UGVは、LiDAR、カメラ、IMUを備えた局所的バンドル調整(BA)を使用して、正確な相対的なポーズ推定を迅速に得る。 BAプロセスはスパースキーポイント最適化を採用し、まずLiDAR-Inertial Odometry (LIO)から補間されたカメラポーズを最適化し、続いてUGVとUAVの間の相対カメラポーズを推定する。 さらに,ディープラーニングを用いたディスクリプタを用いたインクリメンタルループクロージャ検出アルゴリズムを実装し,キーフレームの維持と検索を効率的に行う。 実験結果から,本手法は精度と効率の両面で優れた性能を発揮することが示された。 画像や点雲を伝送する従来のマルチロボットSLAMアプローチとは異なり、本手法はキーポイントピクセルとその記述子のみを送信し、0.3Mbps以下の通信帯域を効果的に制限する。 コードとデータはhttps://github.com/Ascbpiac/cross-model-relative-localization.gitで公開されている。

関連論文リスト

• MobileGeo: Exploring Hierarchical Knowledge Distillation for Resource-Efficient Cross-view Drone Geo-Localization [47.16612614191333]
  クロスビューなジオローカライゼーションにより、航空画像とジオタグ付き衛星データベースとのマッチングによるドローンのローカライゼーションが可能になる。 MobileGeoは、デバイス上の効率的なCVGL用に設計されたモバイルフレンドリーなフレームワークである。 MobileGeoはNVIDIA AGX Orinエッジデバイス上で251.5FPSで動作する。
  論文  参考訳（メタデータ） (2025-10-26T08:47:20Z)
• SpaRC: Sparse Radar-Camera Fusion for 3D Object Detection [7.889379973011702]
  本稿では,マルチビュー画像セマンティクスとレーダとカメラポイント機能を統合した3次元認識のための新しいスパース融合変換器であるSpaRCを提案する。 nuScenes と TruckScenes のベンチマークに関する実証的な評価は、SpaRC が既存の密度の高い BEV ベースおよびスパースクエリベースの検出器より著しく優れていることを示している。
  論文  参考訳（メタデータ） (2024-11-29T17:17:38Z)
• RING#: PR-by-PE Global Localization with Roto-translation Equivariant Gram Learning [20.688641105430467]
  GPS信号が信頼できない場合、グローバルなローカライゼーションは自動運転やロボティクスの応用において不可欠である。 ほとんどのアプローチは、逐次位置認識(PR)とポーズ推定(PE)により、グローバルなローカライゼーションを実現する。 ポーズ推定から直接導出することで、別の場所認識の必要性を回避できる新しいパラダイムであるPR-by-PEローカライゼーションを導入する。 本稿では,鳥眼視(BEV)空間で動作する終端PR-by-PEローカライゼーションネットワークであるRING#を提案する。
  論文  参考訳（メタデータ） (2024-08-30T18:42:53Z)
• UnLoc: A Universal Localization Method for Autonomous Vehicles using LiDAR, Radar and/or Camera Input [51.150605800173366]
  UnLocは、全ての気象条件におけるマルチセンサー入力によるローカライズのための、新しい統一型ニューラルネットワークアプローチである。 本手法は,Oxford Radar RobotCar,Apollo SouthBay,Perth-WAの各データセットで広く評価されている。
  論文  参考訳（メタデータ） (2023-07-03T04:10:55Z)
• Data-Efficient Collaborative Decentralized Thermal-Inertial Odometry [37.23164397188061]
  本研究では,空飛ぶロボットのチームに対して,データ効率,分散状態推定を実現するシステムを提案する。 各ロボットは独立して飛行し、可能な限りデータを交換して状態を推定する。 提案手法は, 個人エージェントのアプローチにより, 最大46%の軌道推定精度が向上することを示した。
  論文  参考訳（メタデータ） (2022-09-14T12:13:36Z)
• Towards Scale Consistent Monocular Visual Odometry by Learning from the Virtual World [83.36195426897768]
  仮想データから絶対スケールを取得するための新しいフレームワークであるVRVOを提案する。 まず、モノクロ実画像とステレオ仮想データの両方を用いて、スケール対応の異種ネットワークをトレーニングする。 結果として生じるスケール一貫性の相違は、直接VOシステムと統合される。
  論文  参考訳（メタデータ） (2022-03-11T01:51:54Z)
• Parallel Successive Learning for Dynamic Distributed Model Training over Heterogeneous Wireless Networks [50.68446003616802]
  フェデレートラーニング(Federated Learning, FedL)は、一連の無線デバイスにモデルトレーニングを配布する一般的なテクニックとして登場した。 我々は,FedLアーキテクチャを3次元に拡張した並列逐次学習(PSL)を開発した。 我々の分析は、分散機械学習におけるコールド対ウォームアップモデルの概念とモデル慣性について光を当てている。
  論文  参考訳（メタデータ） (2022-02-07T05:11:01Z)
• Robust Semi-supervised Federated Learning for Images Automatic Recognition in Internet of Drones [57.468730437381076]
  プライバシー保護型UAV画像認識のための半教師付きフェデレートラーニング(SSFL)フレームワークを提案する。 異なるカメラモジュールを使用したUAVによって収集されたローカルデータの数、特徴、分布には大きな違いがある。 本稿では,クライアントがトレーニングに参加する頻度,すなわちFedFreqアグリゲーションルールに基づくアグリゲーションルールを提案する。
  論文  参考訳（メタデータ） (2022-01-03T16:49:33Z)

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。