論文の概要: SE(3)-LIO: Smooth IMU Propagation With Jointly Distributed Poses on SE(3) Manifold for Accurate and Robust LiDAR-Inertial Odometry

• arxiv url: http://arxiv.org/abs/2603.16118v1
• Date: Tue, 17 Mar 2026 04:55:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-21 18:33:56.888756
• Title: SE(3)-LIO: Smooth IMU Propagation With Jointly Distributed Poses on SE(3) Manifold for Accurate and Robust LiDAR-Inertial Odometry
• Title（参考訳）: SE(3)-LIO: Smooth IMU Propagation with Jointly Distributed Poses on SE(3) Manifold for Accurate and Robust LiDAR-Inertial Odometry
• Authors: Gunhee Shin, Seungjae Lee, Jei Kong, Youngwoo Seo, Hyun Myung,
• Abstract要約: 本稿では,既存のIMU伝搬法の限界について,動き予測と動き補償の観点から検討する。 提案するIMU伝搬と不確実性を考慮した動作補償を統合したLiDAR慣性オドメトリーを提案する。
• 参考スコア（独自算出の注目度）: 9.267845154723291
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In estimating odometry accurately, an inertial measurement unit (IMU) is widely used owing to its high-rate measurements, which can be utilized to obtain motion information through IMU propagation. In this paper, we address the limitations of existing IMU propagation methods in terms of motion prediction and motion compensation. In motion prediction, the existing methods typically represent a 6-DoF pose by separating rotation and translation and propagate them on their respective manifold, so that the rotational variation is not effectively incorporated into translation propagation. During motion compensation, the relative transformation between predicted poses is used to compensate motion-induced distortion in other measurements, while inherent errors in the predicted poses introduce uncertainty in the relative transformation. To tackle these challenges, we represent and propagate the pose on SE(3) manifold, where propagated translation properly accounts for rotational variation. Furthermore, we precisely characterize the relative transformation uncertainty by considering the correlation between predicted poses, and incorporate this uncertainty into the measurement noise during motion compensation. To this end, we propose a LiDAR-inertial odometry (LIO), referred to as SE(3)-LIO, that integrates the proposed IMU propagation and uncertainty-aware motion compensation (UAMC). We validate the effectiveness of SE(3)-LIO on diverse datasets. Our source code and additional material are available at: https://se3-lio.github.io/.
• Abstract（参考訳）: ドメトリを正確に推定する際、IMU伝搬による運動情報を得るために、その高速度測定により慣性測定ユニット(IMU)が広く使用される。 本稿では,既存のIMU伝搬法の限界について,動き予測と動き補償の観点から検討する。 運動予測では、既存の手法は回転と変換を分離し、それぞれの多様体上に伝播することで6-DoFのポーズを表現するのが一般的であり、回転の変動は変換の伝播に効果的に組み込まれない。 動き補償の間、予測されたポーズ間の相対的な変換は、他の測定において動きによって引き起こされる歪みを補償するために使用され、一方、予測されたポーズの固有の誤差は相対的な変換の不確実性をもたらす。 これらの課題に対処するため、SE(3)多様体上のポーズを表現し、伝播する変換は回転変動を適切に考慮する。 さらに、予測されたポーズ間の相関を考慮し、相対変換の不確かさを正確に評価し、この不確かさを運動補償中の測定ノイズに組み込む。 この目的のために,提案したIMU伝搬と不確実性認識運動補償(UAMC)を統合したLIO(LiDAR-inertial odometry, SE(3)-LIO)を提案する。 多様なデータセットに対するSE(3)-LIOの有効性を検証する。 ソースコードと追加資料は、https://se3-lio.github.io/.com/で公開しています。

関連論文リスト

• Simulated Adoption: Decoupling Magnitude and Direction in LLM In-Context Conflict Resolution [3.0242762196828448]
  大規模言語モデル(LLM)は、既存のパラメトリックメモリよりもコンテクスト内での競合情報を優先することが多い。 モデルが「未学習」や内部の真理の大きさを抑えるのではなく、幾何変位のメカニズムを用いていることを示す。
  論文  参考訳（メタデータ） (2026-02-04T06:13:11Z)
• On Exact Editing of Flow-Based Diffusion Models [97.0633397035926]
  本研究では,フローベース編集を既知ソースによって駆動される分散変換問題として再構成する条件付き速度補正(CVC)を提案する。 CVCは、双対パースペクティブな速度変換機構を導入することにより、分配間変換における速度の役割を再考する。 我々は,CVCが優れた忠実度,セマンティックアライメント,多種多様なタスクに対する信頼性の高い編集動作を一貫して達成していることを示す。
  論文  参考訳（メタデータ） (2025-12-30T06:29:20Z)
• 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)
• 3D Equivariant Pose Regression via Direct Wigner-D Harmonics Prediction [50.07071392673984]
  既存の方法は、角度や四元数を用いて空間領域でパラメータ化された3次元回転を学習する。 本稿では,3次元回転回帰のためのWigner-D係数を直接予測する周波数領域アプローチを提案する。 提案手法は, ModelNet10-SO(3) や PASCAL3D+ などのベンチマーク上での最先端結果を実現する。
  論文  参考訳（メタデータ） (2024-11-01T12:50:38Z)
• EqNIO: Subequivariant Neural Inertial Odometry [33.96552018734359]
  重力ベクトルの周りで回転すると、IMUデータは等変的に変形し、重力に平行な任意の平面に対して反射することを示す。 そして、IMUデータをこのフレームにマッピングし、既製の慣性オドメトリーネットワークで直接使用できる不変な正準化を実現する。
  論文  参考訳（メタデータ） (2024-08-12T17:42:46Z)
• AirIMU: Learning Uncertainty Propagation for Inertial Odometry [29.093168179953185]
  ストラップダウン慣性測定装置(IMU)を用いた慣性計測(IO)は多くのロボット応用において重要である。 データ駆動手法により不確実性、特に非決定論的誤差を推定するハイブリッド手法であるAirIMUを提案する。 ハンドヘルドデバイス,車両,および262kmの軌道をカバーするヘリコプターなど,さまざまなプラットフォーム上での有効性を実証する。
  論文  参考訳（メタデータ） (2023-10-07T17:08:22Z)
• Orthogonal Matrix Retrieval with Spatial Consensus for 3D Unknown-View Tomography [58.60249163402822]
  未知視トモグラフィ(UVT)は、未知のランダムな向きで2次元投影から3次元密度マップを再構成する。 提案したOMRはより堅牢で、従来の最先端のOMRアプローチよりも大幅に性能が向上している。
  論文  参考訳（メタデータ） (2022-07-06T21:40:59Z)

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。