論文の概要: LIMOncello: Iterated Error-State Kalman Filter on the SGal(3) Manifold for Fast LiDAR-Inertial Odometry
- arxiv url: http://arxiv.org/abs/2512.19567v2
- Date: Mon, 05 Jan 2026 18:58:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-23 08:17:40.471564
- Title: LIMOncello: Iterated Error-State Kalman Filter on the SGal(3) Manifold for Fast LiDAR-Inertial Odometry
- Title（参考訳）: LIMOncello: 高速LiDAR慣性オドメトリーのためのSGal(3)マニフォールド上の繰り返し誤差カルマンフィルタ
- Authors: Carlos Pérez-Ruiz, Joan Solà,
- Abstract要約: LIMOncelloは、$mathrmSGal(3)多様体上の6-DoF運動をモデル化するLiDAR-Inertial Odometryシステムである。
このシステムは、安定したメモリ成長を伴うリアルタイムパフォーマンスを維持し、オープンソース実装としてリリースされている。
- 参考スコア（独自算出の注目度）: 2.2846089278046176
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This work introduces LIMOncello, a tightly coupled LiDAR-Inertial Odometry system that models 6-DoF motion on the $\mathrm{SGal}(3)$ manifold within an iterated error-state Kalman filter backend. Compared to state representations defined on $\mathrm{SO}(3)\times\mathbb{R}^6$, the use of $\mathrm{SGal}(3)$ provides a coherent and numerically stable discrete-time propagation model that helps limit drift in low-observability conditions. LIMOncello also includes a lightweight incremental i-Octree mapping backend that enables faster updates and substantially lower memory usage than incremental kd-tree style map structures, without relying on locality-restricted search heuristics. Experiments on multiple real-world datasets show that LIMOncello achieves competitive accuracy while improving robustness in geometrically sparse environments. The system maintains real-time performance with stable memory growth and is released as an extensible open-source implementation at https://github.com/CPerezRuiz335/LIMOncello.
- Abstract（参考訳）: LIMOncelloは、反復誤差状態カルマンフィルタバックエンド内の$\mathrm{SGal}(3)$多様体上の6-DoF運動をモデル化する密結合LiDAR-慣性オドメトリーシステムである。
$\mathrm{SO}(3)\times\mathbb{R}^6$で定義される状態表現と比較して、$\mathrm{SGal}(3)$の使用は、低可観測条件下でのドリフトを制限するコヒーレントで数値的に安定な離散時間伝搬モデルを提供する。
LIMOncelloは軽量なインクリメンタルi-Octreeマッピングバックエンドも備えており、ローカリティ制限された検索ヒューリスティックに頼ることなく、インクリメンタルkd-treeスタイルのマップ構造よりも高速な更新とメモリ使用量の削減を実現している。
複数の実世界のデータセットの実験により、LIMOncelloは幾何学的に疎らな環境で頑健さを向上しながら、競争の正確性を達成することが示された。
このシステムは、安定したメモリ成長を伴うリアルタイムのパフォーマンスを維持し、https://github.com/CPerezRuiz335/LIMOncelloで拡張可能なオープンソース実装としてリリースされている。
関連論文リスト
- Dynamic Subspace Composition: Efficient Adaptation via Contractive Basis Expansion [0.0]
エキスパートの混合(MoE)モデルはキャパシティをスケールするが、しばしば表現の崩壊と勾配の不安定性に悩まされる。
本研究では,共有ベースバンクの状態依存的,スパース展開を通じてコンテキスト依存重みを近似するフレームワークである動的部分空間合成(DSC)を提案する。
論文 参考訳（メタデータ） (2025-12-29T13:11:01Z) - On the Convergence Rate of LoRA Gradient Descent [22.183624306817563]
本稿では,テキスト起源のLoRA勾配降下アルゴリズムの非漸近収束解析について述べる。
我々は、LoRA勾配降下が、反復数として$O(frac1log T)$で定常点に収束することを証明している。
論文 参考訳（メタデータ） (2025-12-20T07:20:54Z) - Quantifying Memory Use in Reinforcement Learning with Temporal Range [51.98491034847041]
時間的範囲(Temporal Range)は、時間的影響プロファイルとして、時間的ウィンドウから入力シーケンスへの複数のベクトル出力の1次感度を扱うモデルに依存しない計量である。
また、タスクレベルメモリのプロキシ読み出しとして、タスク上で訓練されたコンパクトなLong Expressive Memory(LEM)ポリシーについて、テンポラルレンジを報告する。
論文 参考訳（メタデータ） (2025-12-05T22:58:09Z) - INC: An Indirect Neural Corrector for Auto-Regressive Hybrid PDE Solvers [61.84396402100827]
本稿では,学習した補正を支配方程式に統合する間接ニューラルコレクタ(mathrmINC$)を提案する。
$mathrmINC$は、$t-1 + L$の順番でエラー増幅を減らし、$t$はタイムステップ、$L$はリプシッツ定数である。
大規模なベンチマークで$mathrmINC$をテストし、1Dカオスシステムから3D乱流まで、多くの異なる解法、神経バックボーン、テストケースをカバーした。
論文 参考訳（メタデータ） (2025-11-16T20:14:28Z) - Statistical Inference for Linear Functionals of Online Least-squares SGD when $t \gtrsim d^{1+δ}$ [7.884611719110979]
グラディエント・Descent (SGD) は、現代のデータ科学における基礎的な手法となっている。
本研究では,オンライン最小二乗 SGD の線型汎函数に対して,非漸近的ベリー-エッセイン境界を確立する。
論文 参考訳（メタデータ） (2025-10-22T16:25:49Z) - Neural Triangular Transport Maps: A New Approach Towards Sampling in Lattice QCD [0.7161783472741748]
遠近距離空間と近近距離空間との基本的なトレードオフをナビゲートする三角輸送地図の包括的枠組みを導入する。
2次元で$phi4$を制御した設定として、ノードラベリング(順序付け)が三角マップの空間性と性能にどのように影響するかを分析する。
論文 参考訳（メタデータ） (2025-10-15T03:15:10Z) - StelLA: Subspace Learning in Low-rank Adaptation using Stiefel Manifold [51.93627542334909]
低ランク適応(LoRA)は大規模事前訓練モデルのパラメータ効率向上手法として広く採用されている。
3要素分解$U!SVtop$を使用するLoRAの幾何学的拡張を提案する。
論文 参考訳（メタデータ） (2025-10-02T11:59:13Z) - FedSVD: Adaptive Orthogonalization for Private Federated Learning with LoRA [68.44043212834204]
Low-Rank Adaptation (LoRA) は、学習における言語モデルの効率的な微調整に広く用いられている。
Low-Rank Adaptation (LoRA) は、学習における言語モデルの効率的な微調整に広く用いられている。
論文 参考訳（メタデータ） (2025-05-19T07:32:56Z) - EoRA: Fine-tuning-free Compensation for Compressed LLM with Eigenspace Low-Rank Approximation [84.70637613266835]
EoRAは、圧縮されたLarge Language Modelを低ランク行列で拡張する微調整不要な手法である。
EoRAは、圧縮LDMの精度を回復するために、トレーニングなしの低ランク法よりも一貫して優れている。
論文 参考訳（メタデータ） (2024-10-28T17:59:03Z) - Robust Online Control with Model Misspecification [96.23493624553998]
本研究では,未知の非線形力学系のモデル不特定性を考慮したオンライン制御について検討する。
本研究は, 線形近似からの偏差を許容できる程度に測定できるロバスト性に着目した。
論文 参考訳（メタデータ） (2021-07-16T07:04:35Z)
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。