論文の概要: Efficient Incremental SLAM via Information-Guided and Selective Optimization

• arxiv url: http://arxiv.org/abs/2601.08110v1
• Date: Tue, 13 Jan 2026 01:01:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:40.757352
• Title: Efficient Incremental SLAM via Information-Guided and Selective Optimization
• Title（参考訳）: 情報誘導・選択最適化による効率的なインクリメンタルSLAM
• Authors: Reza Arablouei,
• Abstract要約: 本稿では,計算コストを大幅に削減しつつ,全バッチ最適化の精度を実現する,効率的なインクリメンタルSLAMバックエンドを提案する。 提案手法は,情報誘導ゲーティング(IGG)と選択的部分最適化(SPO)の2つの相補的アイデアを組み合わせたものである。
• 参考スコア（独自算出の注目度）: 3.0690579256088015
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present an efficient incremental SLAM back-end that achieves the accuracy of full batch optimization while substantially reducing computational cost. The proposed approach combines two complementary ideas: information-guided gating (IGG) and selective partial optimization (SPO). IGG employs an information-theoretic criterion based on the log-determinant of the information matrix to quantify the contribution of new measurements, triggering global optimization only when a significant information gain is observed. This avoids unnecessary relinearization and factorization when incoming data provide little additional information. SPO executes multi-iteration Gauss-Newton (GN) updates but restricts each iteration to the subset of variables most affected by the new measurements, dynamically refining this active set until convergence. Together, these mechanisms retain all measurements to preserve global consistency while focusing computation on parts of the graph where it yields the greatest benefit. We provide theoretical analysis showing that the proposed approach maintains the convergence guarantees of full GN. Extensive experiments on benchmark SLAM datasets show that our approach consistently matches the estimation accuracy of batch solvers, while achieving significant computational savings compared to conventional incremental approaches. The results indicate that the proposed approach offers a principled balance between accuracy and efficiency, making it a robust and scalable solution for real-time operation in dynamic data-rich environments.
• Abstract（参考訳）: 本稿では,計算コストを大幅に削減しつつ,全バッチ最適化の精度を実現する,効率的なインクリメンタルSLAMバックエンドを提案する。 提案手法は,情報誘導ゲーティング (IGG) と選択的部分最適化 (SPO) の2つの相補的アイデアを組み合わせたものである。 IGGは、情報行列の対数行列に基づく情報理論的基準を用いて、新しい測定値の寄与を定量化し、重要な情報ゲインが観測された場合にのみ、大域的な最適化を引き起こす。 これにより、受信データが追加情報をほとんど提供しない場合、不要なリライナライゼーションとファクタライゼーションを回避することができる。 SPOはマルチイテレーションのGauss-Newton (GN) 更新を実行するが、新しい測定によって最も影響を受ける変数のサブセットに各イテレーションを制限し、収束するまでこのアクティブセットを動的に精製する。 これらのメカニズムは、グラフの一部に計算を集中させ、最大の利益をもたらす一方で、グローバルな一貫性を維持するためのすべての測定を保持します。 提案手法が完全GNの収束保証を維持していることを示す理論的解析を行う。 ベンチマークSLAMデータセットの大規模な実験により,従来の漸進的手法と比較して計算量を大幅に削減しつつ,バッチソルバの推定精度を一貫して一致させることができた。 その結果、提案手法は精度と効率のバランスを原則とし、動的データリッチ環境におけるリアルタイム操作のための堅牢でスケーラブルなソリューションであることが示唆された。

関連論文リスト

• Flow Density Control: Generative Optimization Beyond Entropy-Regularized Fine-Tuning [59.11663802446183]
  フローおよび拡散生成モデルは、事前情報を保持しながらタスク固有の目的を最適化するために適応することができる。 本研究では,フロー密度制御(FDC)を導入し,複雑な問題をより単純な微調整タスクの特定のシーケンスに還元する。 我々は,近年のミラーフローの理解を活用して,現実的な仮定の下で提案されたスキームの収束保証を導出する。
  論文  参考訳（メタデータ） (2025-11-27T17:19:01Z)
• Generalized Linear Bandits: Almost Optimal Regret with One-Pass Update [70.38810219913593]
  非線形リンク関数を組み込んで古典線形モデルを拡張したコンテキスト型多武装バンディットフレームワークである一般化線形バンディット問題(GLB)について検討する。 GLBは現実世界のシナリオに広く適用できるが、その非線形性は計算効率と統計効率の両方を達成する上で大きな課題をもたらす。 本稿では,$mathcalO(1)$時間と1ラウンドあたりの空間複雑度をほぼ最適に再現するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-07-16T02:24:21Z)
• Mixed-Precision Conjugate Gradient Solvers with RL-Driven Precision Tuning [0.0]
  本稿では,数値精度を動的に最適化する新しい強化学習(RL)フレームワークを提案する。 我々はQ-ラーニングを用いてキー操作に精度レベルを適応的に割り当て、計算効率と数値精度の最適なバランスをとる。 その結果, 解法の性能向上におけるRLの有効性が示され, 混合精度数値法へのRLの適用が初めて確認された。
  論文  参考訳（メタデータ） (2025-04-19T11:35:03Z)
• Optimizing the Optimal Weighted Average: Efficient Distributed Sparse Classification [50.406127962933915]
  ACOWAは、小さなランタイムの増加とともに、顕著に優れた近似品質を達成するための追加の通信を可能にする。 その結果、ACOWAは経験的リスク最小化に忠実で、他の分散アルゴリズムよりもかなり高い精度で解が得られることがわかった。
  論文  参考訳（メタデータ） (2024-06-03T19:43:06Z)
• Beyond Single-Model Views for Deep Learning: Optimization versus Generalizability of Stochastic Optimization Algorithms [13.134564730161983]
  本稿では、勾配降下(SGD)とその変種に着目し、ディープラーニングの最適化に新しいアプローチを採用する。 我々はSGDとその変種がSAMのような平らなミニマと同等の性能を示すことを示した。 本研究は、トレーニング損失とホールドアウト精度の関係、およびSGDとノイズ対応変種の性能について、いくつかの重要な知見を明らかにした。
  論文  参考訳（メタデータ） (2024-03-01T14:55:22Z)
• Momentum Accelerates the Convergence of Stochastic AUPRC Maximization [80.8226518642952]
  高精度リコール曲線(AUPRC)に基づく領域の最適化について検討し,不均衡なタスクに広く利用されている。 我々は、$O (1/epsilon4)$のより優れた反復による、$epsilon$定常解を見つけるための新しい運動量法を開発する。 また,O(1/epsilon4)$と同じ複雑さを持つ適応手法の新たなファミリを設計し,実際により高速な収束を享受する。
  論文  参考訳（メタデータ） (2021-07-02T16:21:52Z)
• Global Optimization of Gaussian processes [52.77024349608834]
  少数のデータポイントで学習したガウス過程を訓練した空間定式化を提案する。 このアプローチはまた、より小さく、計算的にもより安価なサブソルバを低いバウンディングに導く。 提案手法の順序の順序による時間収束を,総じて低減する。
  論文  参考訳（メタデータ） (2020-05-21T20:59:11Z)

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。

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。