論文の概要: From Single Scan to Sequential Consistency: A New Paradigm for LIDAR Relocalization

• arxiv url: http://arxiv.org/abs/2602.03198v1
• Date: Tue, 03 Feb 2026 07:11:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-04 18:37:15.300752
• Title: From Single Scan to Sequential Consistency: A New Paradigm for LIDAR Relocalization
• Title（参考訳）: 単一スキャンからシーケンス一貫性: LIDAR再ローカライゼーションのための新しいパラダイム
• Authors: Minghang Zhu, Zhijing Wang, Yuxin Guo, Wen Li, Sheng Ao, Cheng Wang,
• Abstract要約: LiDAR再局在は、環境中のセンサーのグローバルな6-DoFポーズを推定することを目的としている。 逐次一貫性を効果的にモデル化することにより、局所性の堅牢性を高める新しいLiDAR再ローカライゼーションフレームワークを提案する。 NCLTとOxford Robot-CarLocのベンチマークによる実験結果から、TempLocは最先端の手法よりも大きなマージンで優れていることがわかった。
• 参考スコア（独自算出の注目度）: 23.47616547312225
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: LiDAR relocalization aims to estimate the global 6-DoF pose of a sensor in the environment. However, existing regression-based approaches are prone to dynamic or ambiguous scenarios, as they either solely rely on single-frame inference or neglect the spatio-temporal consistency across scans. In this paper, we propose TempLoc, a new LiDAR relocalization framework that enhances the robustness of localization by effectively modeling sequential consistency. Specifically, a Global Coordinate Estimation module is first introduced to predict point-wise global coordinates and associated uncertainties for each LiDAR scan. A Prior Coordinate Generation module is then presented to estimate inter-frame point correspondences by the attention mechanism. Lastly, an Uncertainty-Guided Coordinate Fusion module is deployed to integrate both predictions of point correspondence in an end-to-end fashion, yielding a more temporally consistent and accurate global 6-DoF pose. Experimental results on the NCLT and Oxford Robot-Car benchmarks show that our TempLoc outperforms stateof-the-art methods by a large margin, demonstrating the effectiveness of temporal-aware correspondence modeling in LiDAR relocalization. Our code will be released soon.
• Abstract（参考訳）: LiDAR再局在は、環境中のセンサーのグローバルな6-DoFポーズを推定することを目的としている。 しかしながら、既存の回帰ベースのアプローチは、単一のフレーム推論のみに依存するか、スキャン全体の時空間一貫性を無視しているため、動的あるいは曖昧なシナリオに傾向があります。 本稿では、逐次一貫性を効果的にモデル化することにより、局所性の堅牢性を高める新しいLiDAR再ローカライズフレームワークであるTempLocを提案する。 具体的には,各LiDARスキャンの点座標と関連する不確実性を予測するために,まずGlobal Coordinate Estimationモジュールを導入する。 先行コーディネート生成モジュールは、アテンション機構によりフレーム間対応を推定するために提示される。 最後に、不確実性誘導コーディネートフュージョンモジュールが配置され、ポイント対応の予測をエンドツーエンドで統合し、より時間的に一貫性があり正確なグローバル6-DoFのポーズが得られる。 NCLTとOxford Robot-Carベンチマークによる実験結果から、TempLocは最先端の手法を大きなマージンで上回り、LiDAR再局在における時間認識対応モデルの有効性を示した。 私たちのコードはまもなくリリースされるでしょう。

関連論文リスト

• Scaling Up Occupancy-centric Driving Scene Generation: Dataset and Method [54.461213497603154]
  作業中心の手法は、最近、フレームとモダリティをまたいだ一貫した条件付けを提供することで、最先端の結果を得た。 Nuplan-Occは、広く使われているNuplanベンチマークから構築された、これまでで最大の占有率データセットである。 高品質な占有、多視点ビデオ、LiDAR点雲を共同で合成する統合フレームワークを開発した。
  論文  参考訳（メタデータ） (2025-10-27T03:52:45Z)
• SynCast: Synergizing Contradictions in Precipitation Nowcasting via Diffusion Sequential Preference Optimization [62.958457694151384]
  本研究では,大規模な言語モデルにおける人的フィードバックからの強化学習の成功を動機として,降水量の最適化を初めて導入する。 第一段階では、フレームワークはFARを減らすことに焦点を当て、誤報を効果的に抑えるためにモデルを訓練する。
  論文  参考訳（メタデータ） (2025-10-22T16:11:22Z)
• ASTGI: Adaptive Spatio-Temporal Graph Interactions for Irregular Multivariate Time Series Forecasting [16.98710098925001]
  IMTS固有の不規則区間は、既存の方法に2つの主要な課題をもたらす。 本稿では,これらの課題に対処するための適応時空間グラフインタラクション(ASTGI)フレームワークを提案する。 複数のベンチマークデータセットの実験では、ASTGIが様々な最先端メソッドより優れていることが示されている。
  論文  参考訳（メタデータ） (2025-09-27T14:00:27Z)
• LiDAR-BIND-T: Improved and Temporally Consistent Sensor Modality Translation and Fusion for Robotic Applications [2.112132378217468]
  本稿では,多元性センサ(レーダー,ソナー)をLiDAR定義潜在空間に結合するモジュール型マルチモーダル融合フレームワークLiDAR-BINDを拡張した。 i)連続的な潜伏表現を整列する時間的埋め込み類似性、(ii)予測と地上の真実のLiDARの変位に一致する動きに沿った変換損失、(iii)特別な時間的加群を用いた窓付き時間的融合、の3つの貢献を紹介する。
  論文  参考訳（メタデータ） (2025-09-06T14:21:27Z)
• SuperFlow++: Enhanced Spatiotemporal Consistency for Cross-Modal Data Pretraining [62.433137130087445]
  SuperFlow++は、連続するカメラペアを使用して事前トレーニングと下流タスクを統合する新しいフレームワークである。 SuperFlow++は様々なタスクや運転条件で最先端のメソッドよりも優れています。 強力な一般化性と計算効率により、SuperFlow++は、自動運転におけるデータ効率の高いLiDARベースの認識のための新しいベンチマークを確立する。
  論文  参考訳（メタデータ） (2025-03-25T17:59:57Z)
• Bench2Drive-R: Turning Real World Data into Reactive Closed-Loop Autonomous Driving Benchmark by Generative Model [63.336123527432136]
  我々は,リアクティブ閉ループ評価を可能にする生成フレームワークであるBench2Drive-Rを紹介する。 既存の自動運転用ビデオ生成モデルとは異なり、提案された設計はインタラクティブなシミュレーションに適したものである。 我々は、Bench2Drive-Rの生成品質を既存の生成モデルと比較し、最先端の性能を達成する。
  論文  参考訳（メタデータ） (2024-12-11T06:35:18Z)
• Cross Space and Time: A Spatio-Temporal Unitized Model for Traffic Flow Forecasting [16.782154479264126]
  時間的要因間の複雑な相互作用により、バックボーン・時間的トラフィックフローを予測することが課題となる。 既存のアプローチでは、これらの次元を分離し、重要な相互依存を無視している。 本稿では,空間的および時間的依存関係の両方をキャプチャする統合フレームワークであるSanonymous-Temporal Unitized Unitized Cell (ASTUC)を紹介する。
  論文  参考訳（メタデータ） (2024-11-14T07:34:31Z)
• Global-to-Local Modeling for Video-based 3D Human Pose and Shape Estimation [53.04781510348416]
  フレーム内精度とフレーム間スムーズさにより,映像に基づく3次元人間のポーズと形状推定を評価する。 エンドツーエンドフレームワークGLoT(Global-to-Local Transformer)における長期的・短期的相関のモデル化を構造的に分離することを提案する。 我々のGLoTは、一般的なベンチマーク(3DPW、MPI-INF-3DHP、Human3.6M)において、最も低いモデルパラメータを持つ従来の最先端の手法を上回る。
  論文  参考訳（メタデータ） (2023-03-26T14:57:49Z)
• $\texttt{FedBC}$: Calibrating Global and Local Models via Federated Learning Beyond Consensus [66.62731854746856]
  フェデレートラーニング(FL)では、デバイス全体にわたるモデル更新の集約を通じて、グローバルモデルを協調的に学習する目的は、ローカル情報を通じたパーソナライズという目標に反対する傾向にある。 本研究では,このトレードオフを多基準最適化により定量的にキャリブレーションする。 私たちは、$texttFedBC$が、スイートデータセット間でグローバルおよびローカルモデルのテスト精度のメトリクスのバランスをとることを実証しています。
  論文  参考訳（メタデータ） (2022-06-22T02:42:04Z)

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。