論文の概要: How IMU Drift Influences Multi-Radar Inertial Odometry for Ground Robots in Subterranean Terrains

• arxiv url: http://arxiv.org/abs/2602.24192v1
• Date: Fri, 27 Feb 2026 17:15:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:41.772952
• Title: How IMU Drift Influences Multi-Radar Inertial Odometry for Ground Robots in Subterranean Terrains
• Title（参考訳）: IMUドリフトが地上ロボットのマルチレーダー慣性オドメトリーに与える影響
• Authors: Moumita Mukherjee, Magnus Norén, Anton Koval, Avijit Banerjee, George Nikolakopoulos,
• Abstract要約: レジリエンスな局所化とマッピングのためのIMUバイアス推定器を組み合わせた2段階MRIOフレームワークを提案する。 コスト効率のよいFMCWレーダーと異なるIMUをまたいで精度を維持し、PixhawkとVectorNavのような高品位のユニットで弾力性を示す。 提案フレームワークは,ロボットの推定翻訳および回転変位を利用して,レーダのみのマッピングを支援する。
• 参考スコア（独自算出の注目度）: 16.196972581962342
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reliable radar inertial odometry (RIO) requires mitigating IMU bias drift, a challenge that intensifies in subterranean environments due to extreme temperatures and gravity-induced accelerations. Cost-effective IMUs such as the Pixhawk, when paired with FMCW TI IWR6843AOP EVM radars, suffer from drift-induced degradation compounded by sparse, noisy, and flickering radar returns, making fusion less stable than LiDAR-based odometry. Yet, LiDAR fails under smoke, dust, and aerosols, whereas FMCW radars remain compact, lightweight, cost-effective, and robust in these situations. To address these challenges, we propose a two-stage MRIO framework that combines an IMU bias estimator for resilient localization and mapping in GPS-denied subterranean environments affected by smoke. Radar-based ego-velocity estimation is formulated through a least-squares approach and incorporated into an EKF for online IMU bias correction; the corrected IMU accelerations are fused with heterogeneous measurements from multiple radars and an IMU to refine odometry. The proposed framework further supports radar-only mapping by exploiting the robot's estimated translational and rotational displacements. In subterranean field trials, MRIO delivers robust localization and mapping, outperforming EKF-RIO. It maintains accuracy across cost-efficient FMCW radar setups and different IMUs, showing resilience with Pixhawk and higher-grade units such as VectorNav. The implementation will be provided as an open-source resource to the community (code available at https://github.com/LTU-RAI/MRIO
• Abstract（参考訳）: 信頼性のあるレーダー慣性オドメトリー(RIO)は、極低温と重力による加速によって地下環境が強化される課題であるIMUバイアスドリフトの緩和を必要とする。 Pixhawkのような費用対効果の高いIMUは、FMCW TI IWR6843AOP EVMレーダーと組み合わせると、スパース、ノイズ、フレッカリングレーダによって合成されたドリフト誘起劣化に悩まされ、LiDARベースのオドメトリーよりも核融合は安定しない。 しかし、LiDARは煙、塵、エアロゾルで失敗する一方、FMCWレーダーはコンパクトで軽量で費用対効果があり、堅牢である。 これらの課題に対処するため、煙によるGPSデニド地下環境におけるレジリエンスな局所化とマッピングのためのIMUバイアス推定器を組み合わせた2段階MRIOフレームワークを提案する。 レーダに基づくエゴ速度推定は、最小二乗法により定式化され、オンラインIMUバイアス補正のためのEKFに組み込まれる。 提案フレームワークは,ロボットの推定翻訳および回転変位を利用して,レーダのみのマッピングを支援する。 地下試験では、MRIOはロバストなローカライゼーションとマッピングを提供し、EKF-RIOを上回っている。 コスト効率のよいFMCWレーダーと異なるIMUをまたいで精度を維持し、PixhawkとVectorNavのような高品位のユニットで弾力性を示す。 この実装はコミュニティ向けのオープンソースリソースとして提供される(https://github.com/LTU-RAI/MRIOで公開されている)。

関連論文リスト

• physfusion: A Transformer-based Dual-Stream Radar and Vision Fusion Framework for Open Water Surface Object Detection [3.3795150675738808]
  PhysFusionは、水面知覚のための物理インフォームドレーダー画像検出フレームワークである。 物理インレーダ(PIR)とRCSマッパーと品質ゲートを統合し、ポイント当たりのレーダ特性をコンパクトな散乱前処理に変換する。 WaterScenesとFLOWの実験は、PhysFusionがWaterScenesで59.7% mAP50:95と90.3% mAP50を達成したことを示している。
  論文  参考訳（メタデータ） (2026-03-02T15:00:22Z)
• RadarGen: Automotive Radar Point Cloud Generation from Cameras [64.69976771710057]
  マルチビューカメラ画像からリアルな自動車用レーダー点雲を合成するための拡散モデルRadarGenを提案する。 RadarGenは、鳥の目視でレーダー計測を表現することで、レーダ領域への効率的な画像遅延拡散を適応する。 本稿では,RadarGenが特徴的レーダ計測分布を捕捉し,実データに基づいて学習した知覚モデルとのギャップを小さくすることを示す。
  論文  参考訳（メタデータ） (2025-12-19T18:57:33Z)
• Learning-based Airflow Inertial Odometry for MAVs using Thermal Anemometers in a GPS and vision denied environment [13.910943185843706]
  本研究は, 熱量計, IMU, ESC, およびバロメーターを含む多センサデータ融合を用いた気流式オドメトリーシステムを示す。 我々は,GRUをベースとした深部ニューラルネットワークを用いて,ノイズおよび乱れ計測から相対的な空気速度を推定する。 離陸や地上への着陸を含む完全な飛行データから、プロペラと地上効果によって引き起こされる下水によって引き起こされる風速を分離することができることが示されている。
  論文  参考訳（メタデータ） (2025-05-21T02:53:49Z)
• LRFusionPR: A Polar BEV-Based LiDAR-Radar Fusion Network for Place Recognition [2.77989705536351]
  自律運転においては、位置認識はGPSを用いた環境におけるグローバルな位置決めに不可欠である。 本稿では,LiDARを単一チップまたは走査型レーダーで融合させることにより,認識精度とロバスト性を向上させるLRFusionPRを提案する。
  論文  参考訳（メタデータ） (2025-04-27T10:20:32Z)
• ROLO-SLAM: Rotation-Optimized LiDAR-Only SLAM in Uneven Terrain with Ground Vehicle [49.61982102900982]
  荒地における地上車両の姿勢推定精度を向上させるために,LiDARを用いたSLAM法を提案する。 累積誤差の低減を支援するために,グローバルスケールの因子グラフが確立されている。 その結果,ROLO-SLAMは地上車両の姿勢推定に優れ,既存のLiDAR SLAMフレームワークよりも優れていた。
  論文  参考訳（メタデータ） (2025-01-04T02:44:27Z)
• Efficient Real-time Smoke Filtration with 3D LiDAR for Search and Rescue with Autonomous Heterogeneous Robotic Systems [56.838297900091426]
  スモークとダストは、搭載された知覚システムに依存するため、あらゆる移動ロボットプラットフォームの性能に影響を与える。 本稿では,重みと空間情報に基づく新しいモジュラー計算フィルタを提案する。
  論文  参考訳（メタデータ） (2023-08-14T16:48:57Z)
• Echoes Beyond Points: Unleashing the Power of Raw Radar Data in Multi-modality Fusion [74.84019379368807]
  本稿では,既存のレーダ信号処理パイプラインをスキップするEchoFusionという新しい手法を提案する。 具体的には、まずBird's Eye View (BEV)クエリを生成し、次にレーダーから他のセンサーとフューズに対応するスペクトル特徴を取ります。
  論文  参考訳（メタデータ） (2023-07-31T09:53:50Z)
• LiRaNet: End-to-End Trajectory Prediction using Spatio-Temporal Radar Fusion [52.59664614744447]
  本稿では,レーダセンサ情報と広範に使用されているライダーと高精細度(HD)マップを用いた新しい終端軌道予測手法LiRaNetを提案する。 自動車レーダーは、リッチで補完的な情報を提供し、より長い距離の車両検出と即時速度測定を可能にします。
  論文  参考訳（メタデータ） (2020-10-02T00:13:00Z)

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。