論文の概要: Geometrically-Constrained Radar-Inertial Odometry via Continuous Point-Pose Uncertainty Modeling
- arxiv url: http://arxiv.org/abs/2604.02745v1
- Date: Fri, 03 Apr 2026 05:37:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-06 17:20:24.334895
- Title: Geometrically-Constrained Radar-Inertial Odometry via Continuous Point-Pose Uncertainty Modeling
- Title（参考訳）: 連続点数不確実性モデリングによる幾何学的制約付きレーダ慣性オドメトリー
- Authors: Wooseong Yang, Dongjae Lee, Minwoo Jung, Ayoung Kim,
- Abstract要約: 本稿では,幾何学的に制約されたレーダー慣性オドメトリーとマッピングを紹介する。
任意のタイムスタンプにおけるポーズの不確実性を推定するために,連続軌道モデルを用いる。
レーダマッピングにおける量的不確実性を活用することにより,不正確なレーダ測定による計測精度を向上させる高忠実度マップを構築する。
- 参考スコア（独自算出の注目度）: 12.035776515559855
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Radar odometry is crucial for robust localization in challenging environments; however, the sparsity of reliable returns and distinctive noise characteristics impede its performance. This paper introduces geometrically-constrained radar-inertial odometry and mapping that jointly consolidates point and pose uncertainty. We employ the continuous trajectory model to estimate the pose uncertainty at any arbitrary timestamp by propagating uncertainties of the control points. These pose uncertainties are continuously integrated with heteroscedastic measurement uncertainty during point projection, thereby enabling dynamic evaluation of observation confidence and adaptive down-weighting of uninformative radar points. By leveraging quantified uncertainties in radar mapping, we construct a high-fidelity map that improves odometry accuracy under imprecise radar measurements. Moreover, we reveal the effectiveness of explicit geometrical constraints in radar-inertial odometry when incorporated with the proposed uncertainty-aware mapping framework. Extensive experiments on diverse real-world datasets demonstrate the superiority of our method, yielding substantial performance improvements in both accuracy and efficiency compared to existing baselines.
- Abstract（参考訳）: レーダオドメトリーは、困難な環境でのロバストな位置決めには不可欠であるが、信頼性の高いリターンと独特のノイズ特性が性能を損なう。
本稿では,幾何学的に制約されたレーダー慣性オドメトリーとマッピングについて紹介する。
制御点の不確かさを伝播させることにより任意のタイムスタンプにおけるポーズの不確かさを推定するために連続軌道モデルを用いる。
これらのポーズの不確実性は、点投射中に不確定性測定の不確実性と連続的に統合され、不定形レーダー点の観察信頼度と適応的な下降重み付けを動的に評価できる。
レーダマッピングにおける量的不確実性を活用することにより,不正確なレーダ測定による計測精度を向上させる高忠実度マップを構築する。
さらに,提案した不確実性対応マッピングフレームワークを組み込んだレーダー慣性オドメトリーにおける幾何的制約の有効性を明らかにした。
多様な実世界のデータセットに対する大規模な実験は,提案手法の優位性を示し,既存のベースラインと比較して精度と効率の両面で大幅に向上した。
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) - Degeneracy-Resilient Teach and Repeat for Geometrically Challenging Environments Using FMCW Lidar [18.593167038234828]
Teach and Repeat(T&R)のトポロジカルナビゲーションにより、ロボットはGPSに頼ることなく、事前に走行した経路を自律的に繰り返すことができる。
本稿では,ドップラー速度に基づくドップラー計測とデジェネリアシー・アウェア・スキャン・トゥ・マップ・ローカライゼーションからなる周波数変調連続波ライダーT&Rナビゲーションシステムを提案する。
論文 参考訳（メタデータ） (2026-03-10T21:57:08Z) - RaUF: Learning the Spatial Uncertainty Field of Radar [2.6853734738584047]
ミリ波レーダーは、悪天候に特有の利点を提供するが、空間の忠実度が低く、方位の曖昧さが強く、乱れによって引き起こされる引き起こされるリターンに悩まされる。
本稿では,レーダ計測を物理的に基底とした異方性特性によってモデル化する空間不確実性学習フレームワークであるRaUFを提案する。
相反する特徴-ラベル間のマッピングを解決するために、細粒度不確実性を学ぶ異方性確率モデルを設計する。
論文 参考訳（メタデータ） (2026-03-01T10:10:43Z) - Registration is a Powerful Rotation-Invariance Learner for 3D Anomaly Detection [64.0168648353038]
ポイントクラウドデータにおける3次元異常検出は、高い信頼性で構造欠陥を特定することを目的として、産業品質管理に不可欠である。
現在のメモリバンクベースの手法は、しばしば一貫性のない特徴変換と限定的な識別能力に悩まされる。
本稿では、ポイントクラウド登録とメモリベース異常検出の目的を統合した、登録による回転不変の特徴抽出フレームワークを提案する。
論文 参考訳（メタデータ） (2025-10-19T14:56:38Z) - Adaptive Dual Uncertainty Optimization: Boosting Monocular 3D Object Detection under Test-Time Shifts [80.32933059529135]
TTA(Test-Time Adaptation)メソッドが出現し、推論中にターゲット分布に適応する。
我々は、堅牢なM3ODの両不確実性を共同で最小化するために設計された、最初のTTAフレームワークであるDual Uncertainity Optimization (DUO)を提案する。
並列に,明瞭な意味的手がかりを持つ領域における幾何学的コヒーレンスを保存する意味認識型正規場制約を設計する。
論文 参考訳（メタデータ） (2025-08-28T07:09:21Z) - BayesSDF: Surface-Based Laplacian Uncertainty Estimation for 3D Geometry with Neural Signed Distance Fields [0.0]
BayesSDFは神経暗黙の3次元表現における不確実性推定のための新しい確率的フレームワークである。
表面認識の不確実性定量化を可能にすることで、ベイズSDFはより堅牢で、解釈可能で、動作可能な3D知覚システムの基礎を定めている。
論文 参考訳（メタデータ） (2025-07-08T03:21:12Z) - 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) - GUPNet++: Geometry Uncertainty Propagation Network for Monocular 3D Object Detection [92.41859045360532]
我々はGUPNet++(Geometry Uncertainty Propagation Network)を提案する。
トレーニング中の幾何射影の不確実性伝播関係をモデル化し、エンドツーエンドのモデル学習の安定性と効率を向上させる。
実験により,提案手法は画像ベースモノクロ3次元検出におけるSOTA性能を得るだけでなく,簡易なフレームワークで有効性を示す。
論文 参考訳（メタデータ） (2023-10-24T08:45:15Z) - Localization Uncertainty Estimation for Anchor-Free Object Detection [48.931731695431374]
アンカーベース物体検出のための既存の不確実性推定手法にはいくつかの制限がある。
アンカーフリー物体検出のためのUADと呼ばれる新しい位置推定不確実性推定手法を提案する。
本手法は,ボックスオフセットの4方向の不確かさを均一に捉え,どの方向が不確実であるかを判断する。
論文 参考訳（メタデータ） (2020-06-28T13:49:30Z)
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。