論文の概要: Spatiotemporal Calibration and Ground Truth Estimation for High-Precision SLAM Benchmarking in Extended Reality
- arxiv url: http://arxiv.org/abs/2512.07221v1
- Date: Mon, 08 Dec 2025 07:04:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-23 08:17:40.199519
- Title: Spatiotemporal Calibration and Ground Truth Estimation for High-Precision SLAM Benchmarking in Extended Reality
- Title（参考訳）: 拡張現実における高精度SLAMベンチマークのための時空間校正と地中真実推定
- Authors: Zichao Shu, Shitao Bei, Lijun Li, Zetao Chen,
- Abstract要約: 拡張現実(XR)アプリケーションにおいて、同時ローカライゼーションとマッピング(SLAM)が基本的な役割を果たす。
没入型XRの浸漬基準が増加し続けており、ベンチマークの要求はより厳しくなっている。
本稿では,これらの課題に対処する新たな連続的可能性を示す。
- 参考スコア（独自算出の注目度）: 5.399977774911282
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Simultaneous localization and mapping (SLAM) plays a fundamental role in extended reality (XR) applications. As the standards for immersion in XR continue to increase, the demands for SLAM benchmarking have become more stringent. Trajectory accuracy is the key metric, and marker-based optical motion capture (MoCap) systems are widely used to generate ground truth (GT) because of their drift-free and relatively accurate measurements. However, the precision of MoCap-based GT is limited by two factors: the spatiotemporal calibration with the device under test (DUT) and the inherent jitter in the MoCap measurements. These limitations hinder accurate SLAM benchmarking, particularly for key metrics like rotation error and inter-frame jitter, which are critical for immersive XR experiences. This paper presents a novel continuous-time maximum likelihood estimator to address these challenges. The proposed method integrates auxiliary inertial measurement unit (IMU) data to compensate for MoCap jitter. Additionally, a variable time synchronization method and a pose residual based on screw congruence constraints are proposed, enabling precise spatiotemporal calibration across multiple sensors and the DUT. Experimental results demonstrate that our approach outperforms existing methods, achieving the precision necessary for comprehensive benchmarking of state-of-the-art SLAM algorithms in XR applications. Furthermore, we thoroughly validate the practicality of our method by benchmarking several leading XR devices and open-source SLAM algorithms. The code is publicly available at https://github.com/ylab-xrpg/xr-hpgt.
- Abstract（参考訳）: 拡張現実(XR)アプリケーションにおいて、同時ローカライゼーションとマッピング(SLAM)が基本的な役割を果たす。
XR の浸漬の基準が向上し続けており、SLAM ベンチマークの要求はより厳しくなっている。
軌道精度は重要な指標であり、マーカーベースの光学モーションキャプチャ(MoCap)システムは、ドリフトフリーで比較的正確な測定のため、グラウンド真理(GT)を生成するために広く利用されている。
しかし、MoCapベースのGTの精度は、テスト中のデバイスによる時空間キャリブレーション(DUT)と、MoCap測定における固有のジッタの2つの要因によって制限されている。
これらの制限は正確なSLAMベンチマークを妨げ、特に回転エラーやフレーム間ジッタといった重要なメトリクスは、没入型XRエクスペリエンスにとって重要なものだ。
本稿では,これらの課題に対処する新しい連続時間最大度推定器を提案する。
提案手法は,MoCapジッタを補うための補助慣性測定ユニット(IMU)データを統合する。
さらに,複数のセンサとDUT間の正確な時空間キャリブレーションを実現するために,スクリュー共役制約に基づく変動時間同期法とポーズ残差を提案する。
実験の結果,提案手法は既存の手法よりも優れており,XRアプリケーションにおける最先端SLAMアルゴリズムの総合的なベンチマークに必要な精度が得られた。
さらに、いくつかの主要なXRデバイスとオープンソースのSLAMアルゴリズムをベンチマークすることで、本手法の有効性を徹底的に検証する。
コードはhttps://github.com/ylab-xrpg/xr-hpgt.comで公開されている。
関連論文リスト
- Beyond Raw Detection Scores: Markov-Informed Calibration for Boosting Machine-Generated Text Detection [105.14032334647932]
機械生成テキスト(MGT)は偽情報やフィッシングなどのリスクを生じさせ、信頼性の高い検出の必要性を強調している。
MGTの統計的に区別可能な特徴を抽出するメトリックベース法は、オーバーフィットしがちな複雑なモデルベース法よりも実用的であることが多い。
本稿では,2つのコンテキスト検出スコアの関係をモデル化したマルコフ情報を用いたスコアキャリブレーション手法を提案する。
論文 参考訳（メタデータ） (2026-02-08T16:06:12Z) - Lightweight Test-Time Adaptation for EMG-Based Gesture Recognition [2.414036142474149]
本稿では,TCNバックボーンを用いたテスト時間適応(TTA)のための軽量フレームワークを提案する。
本稿では, リアルタイム統計アライメントのための因果適応バッチ正規化, (ii) ガウス混合モデル(GMM)アライメント, (iii) 迅速な数ショットキャリブレーションのためのメタラーニングの3つの展開対応戦略を紹介する。
評価の結果,経験再生更新は限られたデータの下では優れた安定性を示し,メタラーニングは1ショットと2ショットのレギュレーションにおいて競争性能を達成していることがわかった。
論文 参考訳（メタデータ） (2026-01-07T18:48:31Z) - QuantVSR: Low-Bit Post-Training Quantization for Real-World Video Super-Resolution [53.13952833016505]
実世界のビデオ超解像(VSR)のための低ビット量子化モデルを提案する。
キャリブレーションデータセットを用いて各レイヤの空間的および時間的複雑さを計測する。
我々はFPおよび低ビット分岐を改良し、同時最適化を実現する。
論文 参考訳（メタデータ） (2025-08-06T14:35:59Z) - $\texttt{SPECS}$: Faster Test-Time Scaling through Speculative Drafts [55.231201692232894]
$textttSPECS$は、投機的デコードにインスパイアされた遅延対応のテスト時間スケーリングメソッドである。
我々の結果は、$textttSPECS$matchはビームサーチの精度を上回り、最大$sim$19.1%のレイテンシを削減していることを示している。
論文 参考訳（メタデータ） (2025-06-15T05:50:05Z) - Transformer IMU Calibrator: Dynamic On-body IMU Calibration for Inertial Motion Capture [25.103306425456005]
スパース慣性モーションキャプチャシステムのための新しい動的キャリブレーション法を提案する。
我々はRG'GとRBSを2つの緩和された仮定でリアルタイムに推定する。
我々の知る限りでは、私たちは初めて暗黙のIMU校正を達成した。
論文 参考訳（メタデータ） (2025-06-12T11:18:40Z) - SLAIM: Robust Dense Neural SLAM for Online Tracking and Mapping [15.63276368052395]
ニューラルラジアンスフィールドSLAM(NeRF-SLAM)に適した,新しい粗い粒度追跡モデルを提案する。
既存の NeRF-SLAM システムは、従来の SLAM アルゴリズムに比べて、追跡性能が劣っている。
局所バンドル調整とグローバルバンドル調整の両方を実装し、ロバストな(粗大な)(KL正規化器)と正確な(KL正規化器)SLAMソリューションを生成する。
論文 参考訳（メタデータ） (2024-04-17T14:23:28Z) - DK-SLAM: Monocular Visual SLAM with Deep Keypoint Learning, Tracking and Loop-Closing [13.50980509878613]
公開されているデータセットに対する実験的評価は、DK-SLAMが従来のSLAMシステムと学習ベースのSLAMシステムより優れていることを示している。
本システムでは,キーポイント抽出ネットワークの学習を最適化するために,モデル非依存メタラーニング(MAML)戦略を採用している。
累積的な位置決め誤差を軽減するため、DK-SLAMはループ閉鎖検出にバイナリ機能を利用する新しいオンライン学習モジュールを組み込んだ。
論文 参考訳（メタデータ） (2024-01-17T12:08:30Z) - Real-time frequency estimation of a qubit without single-shot-readout [1.1796902300802676]
本稿では,読み出し位相を制御する適応アルゴリズムを提案する。
本稿では,適応プロトコルの追加により,将来的なリアルタイム実験における精度の向上が期待できることを示す。
論文 参考訳（メタデータ） (2022-10-11T15:35:16Z) - SreaMRAK a Streaming Multi-Resolution Adaptive Kernel Algorithm [60.61943386819384]
既存のKRRの実装では、すべてのデータがメインメモリに格納される必要がある。
KRRのストリーミング版であるStreaMRAKを提案する。
本稿では,2つの合成問題と2重振り子の軌道予測について紹介する。
論文 参考訳（メタデータ） (2021-08-23T21:03:09Z) - Pushing the Envelope of Rotation Averaging for Visual SLAM [69.7375052440794]
視覚SLAMシステムのための新しい最適化バックボーンを提案する。
従来の単分子SLAMシステムの精度, 効率, 堅牢性を向上させるために, 平均化を活用している。
我々のアプローチは、公開ベンチマークの最先端技術に対して、同等の精度で最大10倍高速に表示することができる。
論文 参考訳（メタデータ） (2020-11-02T18:02:26Z) - Gaze-Sensing LEDs for Head Mounted Displays [73.88424800314634]
仮想現実(VR)アプリケーションのための低消費電力の視線トラッカーを作成するために,LEDのセンサ機能を利用する。
我々は,視線推定法が複雑な次元削減技術を必要としないことを示した。
論文 参考訳（メタデータ） (2020-03-18T23:03:06Z)
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。