論文の概要: R-VoxelMap: Accurate Voxel Mapping with Recursive Plane Fitting for Online LiDAR Odometry
- arxiv url: http://arxiv.org/abs/2601.12377v1
- Date: Sun, 18 Jan 2026 12:11:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-23 08:17:40.82707
- Title: R-VoxelMap: Accurate Voxel Mapping with Recursive Plane Fitting for Online LiDAR Odometry
- Title（参考訳）: R-VoxelMap:オンラインLiDARオドメトリーのための再帰平面フィッティングによる正確なボクセルマッピング
- Abstract要約: R-ボクセルマップ(R-VoxelMap)は、幾何駆動平面フィッティング戦略を用いて正確なボクセルマップを構築する新しいボクセルマッピング手法である。
提案手法は他の最先端手法よりも高い精度を達成し,効率とメモリ使用量に匹敵する精度を実現している。
- 参考スコア（独自算出の注目度）: 9.701362534535768
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper proposes R-VoxelMap, a novel voxel mapping method that constructs accurate voxel maps using a geometry-driven recursive plane fitting strategy to enhance the localization accuracy of online LiDAR odometry. VoxelMap and its variants typically fit and check planes using all points in a voxel, which may lead to plane parameter deviation caused by outliers, over segmentation of large planes, and incorrect merging across different physical planes. To address these issues, R-VoxelMap utilizes a geometry-driven recursive construction strategy based on an outlier detect-and-reuse pipeline. Specifically, for each voxel, accurate planes are first fitted while separating outliers using random sample consensus (RANSAC). The remaining outliers are then propagated to deeper octree levels for recursive processing, ensuring a detailed representation of the environment. In addition, a point distribution-based validity check algorithm is devised to prevent erroneous plane merging. Extensive experiments on diverse open-source LiDAR(-inertial) simultaneous localization and mapping (SLAM) datasets validate that our method achieves higher accuracy than other state-of-the-art approaches, with comparable efficiency and memory usage. Code will be available on GitHub.
- Abstract（参考訳）: 本稿では,オンラインLiDARオードメトリーの局所化精度を高めるために,幾何駆動再帰平面フィッティング戦略を用いて正確なボクセルマップを構築する新しいボクセルマッピング手法であるR-ボクセルマップを提案する。
VoxelMapとその変種は、通常、ボクセル内の全ての点を用いて平面に適合し、チェックする。
これらの問題に対処するため、R-VoxelMapは、外れ値検出/再利用パイプラインに基づく幾何駆動の再帰的な構築戦略を採用している。
具体的には、各ボクセルに対して、ランダムサンプルコンセンサス(RANSAC)を用いて、外れ値を切り離しながら、正確な平面を最初に取り付ける。
残りのアウトリーチは再帰的処理のためにより深いオクツリーレベルに伝播され、環境の詳細な表現が保証される。
さらに,不正確な平面の融合を防止するために,点分布に基づく妥当性チェックアルゴリズムを考案した。
様々なオープンソースLiDAR(-inertial)同時ローカライゼーションとマッピング(SLAM)データセットの大規模な実験により、我々の手法が他の最先端の手法よりも高い精度で効率とメモリ使用率で達成できることが検証された。
コードはGitHubで入手できる。
関連論文リスト
- Improving Map Consistency in Graph-Based LiDAR SLAM Through Information-Aware Odometry and Retroactive Loop Closure [22.762295959731233]
我々は,3次元LiDAR SLAMにおけるグローバルな軌道推定と局所地図品質の改善の問題に対処する。
まず,ICP の幾何依存情報行列を効率的に推定する枠組みを提案し,ポーズグラフにおけるオドメトリー制約の原理的重み付けを可能にする。
次に、位置認識を幾何学的登録から切り離す階層的なループ閉鎖モジュールと、最適化されたポーズグラフを利用してループ閉鎖を復元する遡及的なループ閉鎖モジュールを導入する。
論文 参考訳（メタデータ） (2026-07-15T07:12:14Z) - DeepShapeMatchingKit: Accelerated Functional Map Solver and Shape Matching Pipelines Revisited [48.627686484608525]
標準関数写像実装は、高スペクトル分解能の計算ボトルネックである k 個の独立線型系を直列に解く。
本稿では,最大33倍の高速化を達成し,すべてのシステムを単一カーネルコールで解くベクトル化再構成を提案する。
我々は、これらの改善を取り入れたオープンソースのDeepShapeMatchingKitを紹介し、共通の深部形状マッチング方法のためのトレーニング、評価、データパイプラインを標準化する。
論文 参考訳（メタデータ） (2026-04-11T23:15:07Z) - Plane Detection and Ranking via Model Information Optimization [3.008906408145323]
深度画像からの平面検出は、幅広いロボット応用において重要なサブタスクである。
モデル情報最適化に基づく平面検出のための一般化されたフレームワークを提案する。
合成データを用いた実験により,これらの特性を検証し,より正確に平面パラメータを推定できることを見出した。
論文 参考訳（メタデータ） (2025-08-13T08:56:05Z) - Unified Linear Parametric Map Modeling and Perception-aware Trajectory Planning for Mobile Robotics [1.7495208770207367]
本稿では,高次元空間にデータをマッピングする軽量な線形パラメトリックマップを提案する。
UAVでは,Euclidean Signed Distance Field (ESDF) マップを用いた。
UGVでは、モデルは地形を特徴づけ、クローズドフォーム勾配を提供し、オンラインプランニングによって大きな穴を回避できる。
論文 参考訳（メタデータ） (2025-07-12T16:39:19Z) - R-SCoRe: Revisiting Scene Coordinate Regression for Robust Large-Scale Visual Localization [66.87005863868181]
可視性グラフに基づくグローバルエンコーディング学習とデータ拡張戦略を導入する。
ネットワークアーキテクチャとローカル特徴抽出モジュールを再考する。
本手法は,ネットワークアンサンブルや3D監視に頼ることなく,大規模データセットに挑戦する最先端の手法を実現する。
論文 参考訳（メタデータ） (2025-01-02T18:59:08Z) - General algorithm of assigning raster features to vector maps at any resolution or scale [18.09674055911759]
本稿では,都市地図における特徴量(大気汚染物質の濃度)をベクトル成分(エッジで表される道路)に割り当てるアルゴリズムを提案する。
我々は、グラフベースの汚染分析を行うため、1692都市の道路に正確なPM$_2.5$とNO$_2$の濃度を割り当てることを実証した。
論文 参考訳（メタデータ） (2024-07-15T10:24:00Z) - Radio Map Estimation -- An Open Dataset with Directive Transmitter
Antennas and Initial Experiments [49.61405888107356]
実世界の現実的な都市地図とオープンなデータソースからの航空画像とともに、シミュレーションされた経路損失無線マップのデータセットをリリースする。
モデルアーキテクチャ,入力特徴設計,航空画像からの無線マップの推定に関する実験を行った。
論文 参考訳（メタデータ） (2024-01-12T14:56:45Z) - An Optimal Transport Perspective on Unpaired Image Super-Resolution [97.24140709634203]
実世界の画像超解像(SR)タスクは、しばしばペア化されたデータセットを持たず、教師付き技術の適用を制限する。
このようなモデルで生じる最適化問題を調査し、2つの驚くべき観測結果を得る。
学習した写像が偏りがあること、すなわち、低解像度画像の分布を高解像度画像に変換するものではないことを実証し、実証的に示す。
論文 参考訳（メタデータ） (2022-02-02T16:21:20Z) - Differentiable Spatial Planning using Transformers [87.90709874369192]
本研究では、長距離空間依存を計画して行動を生成する障害マップを与えられた空間計画変換器(SPT)を提案する。
エージェントが地上の真理マップを知らない環境では、エンド・ツー・エンドのフレームワークで事前訓練されたSPTを利用する。
SPTは、操作タスクとナビゲーションタスクの両方のすべてのセットアップにおいて、最先端の差別化可能なプランナーよりも優れています。
論文 参考訳（メタデータ） (2021-12-02T06:48:16Z) - Visual SLAM with Graph-Cut Optimized Multi-Plane Reconstruction [11.215334675788952]
本稿では,インスタンス平面セグメンテーションネットワークからのキューを用いたポーズ推定とマッピングを改善する意味平面SLAMシステムを提案する。
メインストリームのアプローチはRGB-Dセンサーを使用するが、そのようなシステムを備えた単眼カメラを使うことは、ロバストデータアソシエーションや正確な幾何モデルフィッティングといった課題に直面している。
論文 参考訳（メタデータ） (2021-08-09T18:16:08Z) - Making Affine Correspondences Work in Camera Geometry Computation [62.7633180470428]
局所的な特徴は、ポイント・ツー・ポイント対応ではなく、リージョン・ツー・リージョンを提供する。
本稿では,全モデル推定パイプラインにおいて,地域間マッチングを効果的に活用するためのガイドラインを提案する。
実験により、アフィンソルバはより高速な実行時にポイントベースソルバに匹敵する精度を達成できることが示された。
論文 参考訳（メタデータ） (2020-07-20T12:07:48Z) - Voxel Map for Visual SLAM [57.07800982410967]
視覚SLAMのための点を効率的にマッピングするボクセルマップ表現を提案する。
本手法は,カメラの視野に落下することを幾何的に保証し,隠蔽点を特定・除去できる。
実験結果から,我々のボクセルマップ表現は5sの地図と同等に効率的であり,EuRoCデータセット上での局所化精度(平均46%の改善)が有意に高いことがわかった。
論文 参考訳（メタデータ） (2020-03-04T18:39:14Z)
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。