論文の概要: H-RINS: Hierarchical Tightly-coupled Radar-Inertial Navigation via Smoothing and Mapping

• arxiv url: http://arxiv.org/abs/2603.14109v1
• Date: Sat, 14 Mar 2026 20:30:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-21 18:33:56.813174
• Title: H-RINS: Hierarchical Tightly-coupled Radar-Inertial Navigation via Smoothing and Mapping
• Title（参考訳）: H-RINS: 平滑化とマッピングによる階層的密結合レーダ慣性航法
• Authors: Ali Alridha Abdulkarim, Mikhail Litvinov, Dzmitry Tsetserukou,
• Abstract要約: ミリ波レーダーは、視覚的に劣化した環境で堅牢な知覚を提供する。 レーダー慣性状態推定は本質的にドリフトの影響を受けやすい。 本稿では,密結合型階層型レーダ慣性係数グラフフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 2.3821762993135507
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Millimeter-wave radar provides robust perception in visually degraded environments. However, radar-inertial state estimation is inherently susceptible to drift. Because radar yields only sparse, body-frame velocity measurements, it provides weak constraints on absolute orientation. Consequently, IMU biases remain poorly observable over the short time horizons typical of sliding-window filters. To address this fundamental observability challenge, we propose a tightly coupled, hierarchical radar-inertial factor graph framework. Our architecture decouples the estimation problem into a high-rate resetting graph and a persistent global graph. The resetting graph fuses IMU preintegration, radar velocities, and adaptive Zero-Velocity Updates (ZUPT) to generate the smooth, low-latency odometry required for real-time control. Concurrently, the persistent graph is a full-state factor graph maintaining the complete information of poses, velocities, and biases by fusing inertial data with keyframe-based geometric mapping and loop closures. Leveraging Incremental Smoothing and Mapping, the persistent graph can operate without explicit marginalization of variables, preserving their information while ensuring long-term bias observability. The cornerstone of our approach is a probabilistic tight-coupling mechanism: fully observable, optimized biases and their exact covariances are continuously injected from the persistent graph into the resetting graph's prior, effectively anchoring the high-rate estimator against integration drift. Extensive evaluations demonstrate our system achieves high accuracy with drift-reduced estimation at 27x real-time execution speeds. We release the implementation code and datasets upon the acceptance of the paper.
• Abstract（参考訳）: ミリ波レーダーは、視覚的に劣化した環境で堅牢な知覚を提供する。 しかし、レーダー慣性状態推定は本質的にドリフトの影響を受けやすい。 レーダーはスパース、ボディーフレーム速度の測定しか得られないので、絶対方向の制約は弱い。 したがって、IMUバイアスは、スライドウインドウフィルタの典型的な短期水平線では観測できないままである。 この基本的な可観測性問題に対処するため,我々は密結合型階層型レーダ慣性因子グラフフレームワークを提案する。 我々のアーキテクチャは推定問題を高レートリセットグラフと永続的グローバルグラフに分解する。 リセットグラフは、IMU事前積分、レーダー速度、適応型ゼロ速度更新(ZUPT)を融合させ、リアルタイム制御に必要なスムーズで低遅延なオドメトリーを生成する。 同時に、永続グラフは、キーフレームベースの幾何写像とループ閉包で慣性データを融合することにより、ポーズ、速度、バイアスの完全な情報を保持するフルステート・ファクターグラフである。 インクリメンタルスムースティングとマッピングを活用することで、永続グラフは変数の明確な境界化なしに動作し、長期的なバイアス観測性を確保しながら情報を保存することができる。 完全に観測可能で最適化されたバイアスとそれらの正確な共分散は、永続グラフからリセットグラフの先行値に連続的に注入され、積分ドリフトに対するハイレート推定器を効果的に固定する。 本研究では,27倍のリアルタイム実行速度でドリフト推定を行い,高精度な評価を行った。 論文の受理時に実装コードとデータセットを公開します。

関連論文リスト

• Efficient On-Board Processing of Oblique UAV Video for Rapid Flood Extent Mapping [7.460695517551536]
  TTR(Temporal Token Reuse)は、組み込みデバイス上でビデオセグメンテーションを高速化する適応型推論フレームワークである。 我々は,TTRがセグメンテーション精度(0.5% mIoU)の劣化を無視して,推論遅延の30%低減を実現していることを示す。 これらの結果から,TTRは運用フロンティアを効果的にシフトさせ,高忠実でリアルタイムな斜めビデオ理解を可能にすることが確認された。
  論文  参考訳（メタデータ） (2026-01-16T13:41:56Z)
• Learning Time-Varying Graphs from Incomplete Graph Signals [1.7430416823420511]
  グラフから欠落したデータを出力する問題を解くために,効率的な交互方向乗算アルゴリズムを開発した。 提案したADMMスキームが収束し,定常点を導出することを示す。
  論文  参考訳（メタデータ） (2025-10-19T11:12:13Z)
• Gaussian Process Regression for Improved Underwater Navigation [13.221163846643607]
  ドップラー速度ログ(DVL)は通常、速度測定によってこのドリフトを緩和するために使用される。 本稿では、DVL速度推定を改善するために、多出力ガウス過程回帰(MOGPR)に基づくデータ駆動方式を提案する。 提案手法を実世界のAUVデータを用いて評価し,LSと最先端のディープラーニングモデルであるBeamsNetと比較した。
  論文  参考訳（メタデータ） (2025-02-23T09:13:41Z)
• ReLoc-PDR: Visual Relocalization Enhanced Pedestrian Dead Reckoning via Graph Optimization [4.188058836787458]
  この研究は、歩行者の死亡推定と視覚的再局在を組み合わせた融合フレームワークであるReLoc-PDRを提案する。 タキーカーネルによるグラフ最適化に基づく融合機構は、累積誤差を効果的に補正し、異常な視覚的観察の影響を軽減する。 実世界の実験により、我々のReLoc-PDRは精度とロバスト性において代表的手法を超越していることが示された。
  論文  参考訳（メタデータ） (2023-09-04T14:54:47Z)
• Uncovering the Missing Pattern: Unified Framework Towards Trajectory Imputation and Prediction [60.60223171143206]
  軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。 現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。 本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-28T14:27:27Z)
• RAGO: Recurrent Graph Optimizer For Multiple Rotation Averaging [62.315673415889314]
  本稿では,複数回転平均化(MRA)のための深部繰り返し回転平均化グラフ(RAGO)を提案する。 我々のフレームワークは、実世界のアプリケーションに小さなサイズでデプロイされた、リアルタイムに学習から最適化するローテーション平均化グラフである。
  論文  参考訳（メタデータ） (2022-12-14T13:19:40Z)
• Correlating sparse sensing for large-scale traffic speed estimation: A Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
  本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。 次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2022-10-21T07:25:57Z)
• E-Graph: Minimal Solution for Rigid Rotation with Extensibility Graphs [61.552125054227595]
  重なり合う領域を持たない2つの画像間の相対的な回転推定を解くために,新しい最小解を提案する。 E-Graphに基づいて、回転推定問題はより単純でエレガントになる。 回転推定戦略を6-DoFカメラのポーズと高密度3Dメッシュモデルを得る完全カメラ追跡マッピングシステムに組み込む。
  論文  参考訳（メタデータ） (2022-07-20T16:11:48Z)
• DM-VIO: Delayed Marginalization Visual-Inertial Odometry [62.746533939737446]
  本稿では,遅延残差化とポーズグラフバンドル調整に基づく視覚慣性システムDM-VIOを提案する。 我々は,EuRoC,TUM-VI,および4Seasonsデータセットを用いて,空飛ぶドローン,大規模ハンドヘルド,自動車シナリオからなるシステムの評価を行った。
  論文  参考訳（メタデータ） (2022-01-11T18:30:37Z)

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。