Fugu-MT 論文翻訳(概要): ROFT-VINS: Robust Feature Tracking-based Visual-Inertial State Estimation for Harsh Environment

論文の概要: ROFT-VINS: Robust Feature Tracking-based Visual-Inertial State Estimation for Harsh Environment

arxiv url: http://arxiv.org/abs/2603.18746v1
Date: Thu, 19 Mar 2026 10:49:22 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-21 18:33:56.983863
Title: ROFT-VINS: Robust Feature Tracking-based Visual-Inertial State Estimation for Harsh Environment
Title（参考訳）: ROFT-VINS:ハーシュ環境におけるロバスト特徴追跡に基づく視覚慣性状態推定
Abstract要約: 本稿では,ディープラーニングを利用してモノクロカメラ画像の視覚的特徴を頑健に追跡する手法を提案する。無テクスチャ環境や急激な照明変化のある状況でも確実に動作する。提案手法の性能評価は,一般的に使用されている視覚慣性オドメトリー(VIO)システムであるVINS-Fusionと統合して行う。
参考スコア（独自算出の注目度）: 8.10554738370527
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: SLAM (Simultaneous Localization and Mapping) and Odometry are important systems for estimating the position of mobile devices, such as robots and cars, utilizing one or more sensors. Particularly in camera-based SLAM or Odometry, effectively tracking visual features is important as it significantly impacts system performance. In this paper, we propose a method that leverages deep learning to robustly track visual features in monocular camera images. This method operates reliably even in textureless environments and situations with rapid lighting changes. Additionally, we evaluate the performance of our proposed method by integrating it into VINS-Fusion (Monocular-Inertial), a commonly used Visual-Inertial Odometry (VIO) system.
Abstract（参考訳）: SLAM (Simultaneous Localization and Mapping) とオドメトリ (Odometry) は、ロボットや自動車などのモバイルデバイスの位置を推定し、1つ以上のセンサーを利用する重要なシステムである。特にカメラベースのSLAMやOdometryでは、システムパフォーマンスに大きな影響を与えるため、視覚的特徴を効果的に追跡することが重要である。本稿では,ディープラーニングを利用してモノクロカメラ画像の視覚的特徴を頑健に追跡する手法を提案する。無テクスチャ環境や急激な照明変化のある状況でも確実に動作する。さらに, 提案手法を, 一般的に使用されている視覚慣性オドメトリー (VIO) システムであるVINS-Fusion (Monocular-Inertial) に統合することにより, 評価を行った。

関連論文リスト

Sensor Configuration Matters: A Systematic Evaluation of Multimodal SLAM on Quadruped Robots [15.924751226144979]
本稿では,最先端のビジュアル,ビジュアル・慣性,LiDAR・ビジュアル・慣性SLAM手法の体系的評価について述べる。我々は、カメラのモダリティ、シャッター技術、慣性センサー層の影響を定量化し、ローカライゼーション精度、アルゴリズムの堅牢性、計算資源利用のトレードオフを分析する。
論文参考訳（メタデータ） (2026-06-17T13:41:07Z)
VGP-Nav: Metric-Aware Visual Geometric Perception for Robot Navigation [59.44896676402453]
VGP-Navは、テキスト・メトリック・アウェア・ビジュアル・ジオメトリック・パーセプションのための統合されたフレームワーク単分子RGB入力にのみ依存し、メトリックローカライゼーションと障害物知覚を共同で支援する。 VGP-Navはモノクルスケールのあいまいさをオンラインで解決し、局所化基底の計量障害物表現を生成する。
論文参考訳（メタデータ） (2026-06-08T09:38:14Z)
Enhancing Eye Feature Estimation from Event Data Streams through Adaptive Inference State Space Modeling [68.1289208938377]
イベントベースのデータストリームから目の特徴抽出を効率的かつ低エネルギーで行うことができる。本稿では,特徴抽出のための新しいアーキテクチャである強調型推論状態空間モデル(AISSM)を紹介する。また、トレーニング効率を向上させる新しい学習手法を開発・評価する。
論文参考訳（メタデータ） (2026-03-14T18:47:08Z)
How to deal with glare for improved perception of Autonomous Vehicles [0.0]
視覚センサーは多用途であり、色、テクスチャ、形状、深さなど幅広い視覚的手がかりを捉えることができる。視覚に基づく環境認識システムは、明るい光源の存在下での光沢によって容易に影響を受ける。
論文参考訳（メタデータ） (2024-04-17T02:05:05Z)
Using Deep Learning to Increase Eye-Tracking Robustness, Accuracy, and Precision in Virtual Reality [2.2639735235640015]
この研究は、目の特徴追跡のための現代の機械学習(ML)に基づくいくつかの手法の影響を客観的に評価する。メトリックには、視線推定の精度と精度、およびドロップアウト率が含まれる。
論文参考訳（メタデータ） (2024-03-28T18:43:25Z)
LEAP-VO: Long-term Effective Any Point Tracking for Visual Odometry [53.5449912019877]
本稿では,LEAP(Long-term Effective Any Point Tracking)モジュールについて述べる。 LEAPは、動的トラック推定のために、視覚的、トラック間、時間的キューと慎重に選択されたアンカーを革新的に組み合わせている。これらの特徴に基づき,強靭な視力計測システムLEAP-VOを開発した。
論文参考訳（メタデータ） (2024-01-03T18:57:27Z)
Inertial Guided Uncertainty Estimation of Feature Correspondence in Visual-Inertial Odometry/SLAM [8.136426395547893]
慣性ガイダンスを用いて特徴対応の不確かさを推定する手法を提案する。また,近年の視覚-慣性オドメトリー/SLAMアルゴリズムの1つに組み込むことにより,本手法の有効性を実証する。
論文参考訳（メタデータ） (2023-11-07T04:56:29Z)
RD-VIO: Robust Visual-Inertial Odometry for Mobile Augmented Reality in Dynamic Environments [55.864869961717424]
視覚的・視覚的慣性オドメトリーシステムでは、動的シーンや純粋な回転の問題に対処することが通常困難である。我々はこれらの問題に対処するためにRD-VIOと呼ばれる新しい視覚-慣性オドメトリーシステム(VIO)を設計する。
論文参考訳（メタデータ） (2023-10-23T16:30:39Z)
Event-based Simultaneous Localization and Mapping: A Comprehensive Survey [52.73728442921428]
ローカライゼーションとマッピングタスクのための非同期および不規則なイベントストリームの利点を利用する、イベントベースのvSLAMアルゴリズムのレビュー。 Paperは、イベントベースのvSLAMメソッドを、特徴ベース、ダイレクト、モーション補償、ディープラーニングの4つのカテゴリに分類する。
論文参考訳（メタデータ） (2023-04-19T16:21:14Z)
Optimization-Based Eye Tracking using Deflectometric Information [14.010352335803873]
最先端の視線追跡法は、スパース点光源の反射や、取得した視線画像の2D特徴を画像ベースで活用する。我々はPyTorch3Dに基づいて、画面照明下で仮想視線をシミュレートする微分可能なパイプラインを開発する。一般的に,本手法は特定のパターンレンダリングを必要としないため,メインのVR/AR/MR画面自体の通常のビデオフレームで動作する。
論文参考訳（メタデータ） (2023-03-09T02:41:13Z)
EMA-VIO: Deep Visual-Inertial Odometry with External Memory Attention [5.144653418944836]
視覚慣性オドメトリー(VIO)アルゴリズムは、カメラと慣性センサーからの情報を利用して位置と翻訳を推定する。最近のディープラーニングベースのVIOモデルは、データ駆動方式でポーズ情報を提供するため、注目を集めている。状態推定のための視覚的特徴と慣性的特徴を効果的かつ効率的に組み合わせた,外部記憶に配慮した新しい学習ベースのVIOフレームワークを提案する。
論文参考訳（メタデータ） (2022-09-18T07:05:36Z)
Object-based Illumination Estimation with Rendering-aware Neural Networks [56.01734918693844]
個々の物体とその局所画像領域のRGBD外観から高速環境光推定手法を提案する。推定照明により、仮想オブジェクトは実際のシーンと一貫性のあるシェーディングでARシナリオでレンダリングできる。
論文参考訳（メタデータ） (2020-08-06T08:23:19Z)
Redesigning SLAM for Arbitrary Multi-Camera Systems [51.81798192085111]
SLAMシステムにより多くのカメラを追加することで、堅牢性と精度が向上するが、視覚的なフロントエンドの設計は大幅に複雑になる。本研究では,任意のマルチカメラ装置で動作する適応SLAMシステムを提案する。これらの修正を応用した最先端の視覚慣性計測装置を試作し, 改良したパイプラインが広い範囲のカメラ装置に適応可能であることを示す実験結果を得た。
論文参考訳（メタデータ） (2020-03-04T11:44:42Z)

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。