論文の概要: Tightly-Coupled Radar-Visual-Inertial Odometry
- arxiv url: http://arxiv.org/abs/2603.23052v1
- Date: Tue, 24 Mar 2026 10:47:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-25 19:53:37.436615
- Title: Tightly-Coupled Radar-Visual-Inertial Odometry
- Title（参考訳）: 近位結合型レーダ・ビジュアル・慣性オドメトリー
- Authors: Morten Nissov, Mohit Singh, Kostas Alexis,
- Abstract要約: 提案手法は,反復拡張カルマンフィルタ(IEKF)内の画像特徴,レーダドップラー計測,慣性測定ユニット(IMU)計測をリアルタイムに融合する。
本手法は,室内および屋外の両方で実施した飛行実験により評価した。
- 参考スコア（独自算出の注目度）: 12.2300314007703
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Visual-Inertial Odometry (VIO) is a staple for reliable state estimation on constrained and lightweight platforms due to its versatility and demonstrated performance. However, pertinent challenges regarding robust operation in dark, low-texture, obscured environments complicate the use of such methods. Alternatively, Frequency Modulated Continuous Wave (FMCW) radars, and by extension Radar-Inertial Odometry (RIO), offer robustness to these visual challenges, albeit at the cost of reduced information density and worse long-term accuracy. To address these limitations, this work combines the two in a tightly coupled manner, enabling the resulting method to operate robustly regardless of environmental conditions or trajectory dynamics. The proposed method fuses image features, radar Doppler measurements, and Inertial Measurement Unit (IMU) measurements within an Iterated Extended Kalman Filter (IEKF) in real-time, with radar range data augmenting the visual feature depth initialization. The method is evaluated through flight experiments conducted in both indoor and outdoor environments, as well as through challenges to both exteroceptive modalities (such as darkness, fog, or fast flight), thoroughly demonstrating its robustness. The implementation of the proposed method is available at: https://github.com/ntnu-arl/radvio .
- Abstract（参考訳）: Visual-Inertial Odometry (VIO)は、制約のある軽量プラットフォーム上での信頼性の高い状態推定の基盤となる。
しかし、暗く、低テクスチャで、曖昧な環境でのロバストな操作に関する関連する課題は、そのような手法の使用を複雑にしている。
あるいは、周波数変調連続波(FMCW)レーダーや拡張レーダ-慣性オドメトリー(RIO)により、情報密度の低減と長期的な精度の悪化を犠牲にして、これらの視覚的課題に対して堅牢性を提供する。
これらの制限に対処するため、この研究は2つを緊密に結合した方法で結合し、その結果、環境条件や軌道力学によらず、堅牢な動作を可能にする。
提案手法は, 画像特徴量, レーダドップラー計測, 慣性測定ユニット(IMU)をリアルタイムに計測し, レーダ範囲データを付加して視覚的特徴深度初期化を行う。
この手法は、屋内および屋外の両方で実施された飛行実験や、排他的モード(暗黒、霧、高速飛行など)への挑戦を通じて評価され、その頑丈さを徹底的に実証している。
提案手法の実装は、https://github.com/ntnu-arl/radvio で利用可能である。
関連論文リスト
- Radar-Inertial Odometry with Online Spatio-Temporal Calibration via Continuous-Time IMU Modeling [0.0]
レーダー慣性オドメトリー(RIO)は、困難条件下での視覚およびLiDARベースのオドメトリーの強力な代替品として登場した。
本稿では,因子グラフ最適化の定式化において,共同で空間的・時間的キャリブレーションを行うRIOフレームワークを提案する。
提案した加速度と角速度の連続時間表現は,レーダIMU測定の非同期特性を正確に捉える。
論文 参考訳（メタデータ） (2026-03-20T14:00:58Z) - Benchmarking Visual Feature Representations for LiDAR-Inertial-Visual Odometry Under Challenging Conditions [11.85572971097983]
本稿では,直接測光手法と記述子に基づく特徴マッチングを統合するハイブリッド手法を提案する。
実験の結果,提案手法は従来のスパース法よりも優れていることがわかった。
論文 参考訳（メタデータ） (2026-03-19T07:56:49Z) - A Lightweight Model-Driven 4D Radar Framework for Pervasive Human Detection in Harsh Conditions [11.183137089778468]
本稿では,組込みエッジハードウェア上でのリアルタイム実行を目的とした,完全モデル駆動4次元レーダ認識フレームワークを提案する。
このフレームワークは、ダスト充填されたトレーラーと実際の地下トンネルで評価され、テストシナリオでは、レーダーベースの検出器は、カメラとLiDARのモダリティが深刻な視認性低下の下で安定した歩行者識別を維持する。
論文 参考訳（メタデータ） (2026-01-19T20:18:51Z) - Real-Time 4D Radar Perception for Robust Human Detection in Harsh Enclosed Environments [10.956927578406388]
本稿では, 密集環境を代表とした散布環境において, 制御された多層塵濃度を生成するための新しい手法を提案する。
また、カメラとLiDARによって強化された新しい4DmmWaveレーダーデータセットを提示し、塵粒子と反射面が検知機能にどのように影響するかを説明した。
論文 参考訳（メタデータ） (2026-01-19T20:01:15Z) - HAD: Hierarchical Asymmetric Distillation to Bridge Spatio-Temporal Gaps in Event-Based Object Tracking [80.07224739976911]
イベントカメラは例外的な時間分解能と範囲(モード)を提供する
RGBカメラは高解像度でリッチテクスチャを捉えるのに優れていますが、イベントカメラは例外的な時間分解能とレンジ(モダル)を提供します。
論文 参考訳（メタデータ） (2025-10-22T13:15:13Z) - TacoDepth: Towards Efficient Radar-Camera Depth Estimation with One-stage Fusion [54.46664104437454]
一段核融合を用いた効率的かつ正確なレーダ・カメラ深度推定モデルであるTacoDepthを提案する。
具体的には、グラフベースのRadar構造抽出器とピラミッドベースのRadar融合モジュールを設計する。
従来の最先端のアプローチと比較して、TacoDepthは深さ精度と処理速度を12.8%、91.8%改善している。
論文 参考訳（メタデータ） (2025-04-16T05:25:04Z) - RobuRCDet: Enhancing Robustness of Radar-Camera Fusion in Bird's Eye View for 3D Object Detection [68.99784784185019]
暗い照明や悪天候はカメラの性能を低下させる。
レーダーは騒音と位置のあいまいさに悩まされる。
本稿では,BEVの頑健な物体検出モデルであるRobuRCDetを提案する。
論文 参考訳（メタデータ） (2025-02-18T17:17:38Z) - RIDERS: Radar-Infrared Depth Estimation for Robust Sensing [22.10378524682712]
逆気象条件は正確な深度推定に重大な課題をもたらす。
本研究では,ミリ波レーダと単眼赤外線サーマルカメラを融合させて,ロバストな距離推定手法を提案する。
本手法は、曖昧さと不一致の課題に対処することにより、異常な視覚的品質と正確な計量推定を実現する。
論文 参考訳（メタデータ） (2024-02-03T07:14:43Z) - 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) - On Robust Cross-View Consistency in Self-Supervised Monocular Depth Estimation [56.97699793236174]
本論文では,2種類の堅牢なクロスビュー整合性について検討する。
深度特徴空間と3次元ボクセル空間の時間的コヒーレンスを自己教師付き単眼深度推定に利用した。
いくつかのアウトドアベンチマークの実験結果から,本手法は最先端技術より優れていることが示された。
論文 参考訳（メタデータ） (2022-09-19T03:46:13Z) - Depth Estimation from Monocular Images and Sparse Radar Data [93.70524512061318]
本稿では,ディープニューラルネットワークを用いた単眼画像とレーダ点の融合により,より正確な深度推定を実現する可能性を検討する。
レーダ測定で発生するノイズが,既存の融合法の適用を妨げている主要な理由の1つであることが判明した。
実験はnuScenesデータセット上で行われ、カメラ、レーダー、LiDARの記録を様々な場面と気象条件で記録する最初のデータセットの1つである。
論文 参考訳（メタデータ） (2020-09-30T19:01:33Z)
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。