論文の概要: ALIVE-LIO: Degeneracy-Aware Learning of Inertial Velocity for Enhancing ESKF-Based LiDAR-Inertial Odometry
- arxiv url: http://arxiv.org/abs/2604.02706v1
- Date: Fri, 03 Apr 2026 04:01:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-06 17:20:24.314079
- Title: ALIVE-LIO: Degeneracy-Aware Learning of Inertial Velocity for Enhancing ESKF-Based LiDAR-Inertial Odometry
- Title（参考訳）: ALIVE-LIO: ESKF-based LiDAR-Inertial Odometry のための慣性学習
- Authors: Seongjun Kim, Daehan Lee, Junwoo Hong, Sanghyun Park, Hyunyoung Jo, Soohee Han,
- Abstract要約: 光検出・測光(LiDAR)と慣性測定ユニット(IMU)を用いたオドメトリ推定は、縮退した環境における性能劣化に悩まされることが多い。
我々は、退化方向の状態推定を明示的に強化する、退化を意識したLiDAR慣性オドメトリーフレームワークであるALIVE-LIOを提案する。
- 参考スコア（独自算出の注目度）: 6.3307017443750775
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Odometry estimation using light detection and ranging (LiDAR) and an inertial measurement unit (IMU), known as LiDAR-inertial odometry (LIO), often suffers from performance degradation in degenerate environments, such as long corridors or single-wall scenarios with narrow field-of-view LiDAR. To address this limitation, we propose ALIVE-LIO, a degeneracy-aware LiDAR-inertial odometry framework that explicitly enhances state estimation in degenerate directions. The key contribution of ALIVE-LIO is the strategic integration of a deep neural network into a classical error-state Kalman filter (ESKF) to compensate for the loss of LiDAR observability. Specifically, ALIVE-LIO employs a neural network to predict the body-frame velocity and selectively fuses this prediction into the ESKF only when degeneracy is detected, providing effective state updates along degenerate directions. This design enables ALIVE-LIO to utilize the probabilistic structure and consistency of the ESKF while benefiting from learning-based motion estimation. The proposed method was evaluated on publicly available datasets exhibiting degeneracy, as well as on our own collected data. Experimental results demonstrate that ALIVE-LIO substantially reduces pose drift in degenerate environments, yielding the most competitive results in 22 out of 32 sequences. The implementation of ALIVE-LIO will be publicly available.
- Abstract（参考訳）: 光検出・測光(LiDAR)と慣性測定ユニット(IMU)を用いたオドメトリー推定(LiDAR慣性オドメトリー(LIO))は、長い廊下や狭い視野のLiDARを持つ単一壁シナリオのような退化環境における性能劣化に悩まされることが多い。
この制限に対処するために、退化方向の状態推定を明示的に強化する、退化性を考慮したLiDAR慣性オドメトリーフレームワークであるALIVE-LIOを提案する。
ALIVE-LIOの重要な貢献は、深いニューラルネットワークを古典的なエラー状態のカルマンフィルタ(ESKF)に戦略的に統合することで、LiDAR観測可能性の喪失を補うことである。
具体的には、ALIVE-LIOはニューラルネットワークを使用して、ボディフレーム速度を予測し、縮退が検出された場合にのみこの予測をESKFに選択的に融合し、縮退方向に沿って効果的な状態更新を提供する。
この設計により、ALIVE-LIOは、学習に基づく動き推定の恩恵を受けながら、ESKFの確率的構造と一貫性を利用することができる。
提案手法は,デジェネリティーを示す公開データセットと,収集したデータに基づいて評価した。
実験の結果,ALIVE-LIOは退化環境におけるポーズドリフトを著しく低減し,32列中22列において最も競争力のある結果をもたらすことがわかった。
ALIVE-LIOの実装は一般公開される予定だ。
関連論文リスト
- Orthogonal Learner for Estimating Heterogeneous Long-Term Treatment Effects [56.15663253912398]
HLTE推定のためのLT-O-learners(Long-Term Orthogonal Learningers)を提案する。
学習者は、短期ランダム化データセットと長期履歴データセットを組み合わせた標準HLTE設定のために設計されている。
学習者はニュアンス推定における誤りに対して頑健であることを示す。
論文 参考訳（メタデータ） (2026-04-01T13:56:19Z) - When Does Sparsity Mitigate the Curse of Depth in LLMs [53.137717161619484]
本研究では,分散伝播の規制として空間空間が機能し,深度利用が向上することを示す。
以上の結果から,大規模な言語モデルにおいて,より効率的な深度スケーリングを実現するための重要なメカニズムとして,スパーシリティが明らかとなった。
論文 参考訳（メタデータ） (2026-03-16T15:04:16Z) - Observationally Informed Adaptive Causal Experimental Design [55.998153710215654]
本稿では,観測モデルを基礎的先行として活用する新たなパラダイムであるアクティブ残留学習を提案する。
このアプローチは、実験的な焦点を、目標因果量の学習から、観察バイアスの補正に必要な残差を効率的に推定するへとシフトさせる。
合成および半合成ベンチマークの実験は、R-Designがベースラインを大幅に上回ることを示した。
論文 参考訳（メタデータ） (2026-03-04T06:52:37Z) - Towards Sample-Efficient and Stable Reinforcement Learning for LLM-based Recommendation [56.92367609590823]
Long Chain-of-Thought (Long CoT)推論は、Large Language Models (LLMs)において有望であることを示している。
我々はLong CoTが本質的にシーケンシャルなレコメンデーションドメインに不適合であると主張している。
提案するRISER(Reinforced Item Space Exploration framework for Recommendation)を提案する。
論文 参考訳（メタデータ） (2026-01-31T10:02:43Z) - AODDiff: Probabilistic Reconstruction of Aerosol Optical Depth via Diffusion-based Bayesian Inference [12.981319326856495]
AODDiffは拡散に基づく推論に基づく確率的再構成フレームワークである。
タスク固有の再トレーニングを必要とせずに、様々な再構築タスクに柔軟に適応することができる。
生成モデルとして、AODDiffは本質的に複数の空間的品質サンプリングによる不確実なサンプリングを可能にし、下流アプリケーションに重要な信頼性指標を提供する。
論文 参考訳（メタデータ） (2025-12-31T13:16:10Z) - EvidenceMoE: A Physics-Guided Mixture-of-Experts with Evidential Critics for Advancing Fluorescence Light Detection and Ranging in Scattering Media [3.9833452895674655]
蛍光LiDAR (FliDAR) は、医療、自動車、その他の分野における距離と深さを推定する技術である。
取得されたFLiDAR信号の複雑な性質は、光子の飛行時間と固有の蛍光寿命の分離を極めて困難にする。
本稿では,多種多様な時間成分のモデリングに適した物理誘導混合実験フレームワークを提案する。
論文 参考訳（メタデータ） (2025-05-23T16:38:13Z) - LiDAR-GS:Real-time LiDAR Re-Simulation using Gaussian Splatting [53.58528891081709]
都市景観におけるLiDARスキャンをリアルタイムかつ高忠実に再現するLiDAR-GSを提案する。
この手法は,公開可能な大規模シーンデータセットのレンダリングフレームレートと品質の両面において,最先端の結果を達成する。
論文 参考訳（メタデータ） (2024-10-07T15:07:56Z) - Revisiting Essential and Nonessential Settings of Evidential Deep Learning [70.82728812001807]
Evidential Deep Learning (EDL) は不確実性推定の新しい手法である。
本報告では,EDLの簡易かつ効果的な拡張型であるRe-EDLを提案する。
論文 参考訳（メタデータ） (2024-10-01T04:27:07Z) - DELO: Deep Evidential LiDAR Odometry using Partial Optimal Transport [23.189529003370303]
リアルタイムLiDARベースのオドメトリーは、ロボットナビゲーション、一貫した3Dシーンマップの再構築、安全なモーションプランニングなど、多くのアプリケーションに必須である。
本稿では,フレーム間の正確な対応とモデルの予測不確実性(PU)を共同で学習し,LO予測を安全に保護するための証拠として,新しいディープラーニングベースのリアルタイム(約35～40ms/fps/fps/fps/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s /s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s
提案手法をKITTIデータセット上で評価し,最近の最先端手法よりも優れた一般化能力を有する競争性能を示す。
論文 参考訳（メタデータ） (2023-08-14T14:06:21Z) - NeRF-LOAM: Neural Implicit Representation for Large-Scale Incremental
LiDAR Odometry and Mapping [14.433784957457632]
ニューラルドメトリー,ニューラルマッピング,メッシュ再構成の3つのモジュールからなる新しいNeRF-LOAMを提案する。
提案手法は,LiDARデータを用いた大規模環境において,最先端のオドメトリーとマッピング性能を実現するとともに,強力な一般化を実現する。
論文 参考訳（メタデータ） (2023-03-19T16:40:36Z)
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。