論文の概要: An RTK-SLAM Dataset for Absolute Accuracy Evaluation in GNSS-Degraded Environments

• arxiv url: http://arxiv.org/abs/2604.07151v1
• Date: Wed, 08 Apr 2026 14:43:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-09 17:30:51.588269
• Title: An RTK-SLAM Dataset for Absolute Accuracy Evaluation in GNSS-Degraded Environments
• Title（参考訳）: GNSS劣化環境における絶対精度評価のためのRTK-SLAMデータセット
• Authors: Wei Zhang, Vincent Ress, David Skuddis, Uwe Soergel, Norbert Haala,
• Abstract要約: RTK-SLAMシステムは、リアルタイムキネマティック(RTK)ラム位置決めと同時ローカライゼーションとマッピング(SLAM)を統合している。 標準評価基準である絶対軌道誤差(Absolute Trajectory Error, ATE)は、まず推定された軌道と基準の間の最適な剛体変換に適合する。 このギャップを明らかにするために,測地的に参照されたデータセットと評価手法を提案する。
• 参考スコア（独自算出の注目度）: 6.6441836770192815
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: RTK-SLAM systems integrate simultaneous localization and mapping (SLAM) with real-time kinematic (RTK) GNSS positioning, promising both relative consistency and globally referenced coordinates for efficient georeferenced surveying. A critical and underappreciated issue is that the standard evaluation metric, Absolute Trajectory Error (ATE), first fits an optimal rigid-body transformation between the estimated trajectory and reference before computing errors. This so-called SE(3) alignment absorbs global drift and systematic errors, making trajectories appear more accurate than they are in practice, and is unsuitable for evaluating the global accuracy of RTK-SLAM. We present a geodetically referenced dataset and evaluation methodology that expose this gap. A key design principle is that the RTK receiver is used solely as a system input, while ground truth is established independently via a geodetic total station. This separation is absent from all existing datasets, where GNSS typically serves as (part of) the ground truth. The dataset is collected with a handheld RTK-SLAM device, comprising two scenes. We evaluate LiDAR-inertial, visual-inertial, and LiDAR-visual-inertial RTK-SLAM systems alongside standalone RTK, reporting direct global accuracy and SE(3)-aligned relative accuracy to make the gap explicit. Results show that SE(3) alignment can underestimate absolute positioning error by up to 76\%. RTK-SLAM achieves centimeter-level absolute accuracy in open-sky conditions and maintains decimeter-level global accuracy indoors, where standalone RTK degrades to tens of meters. The dataset, calibration files, and evaluation scripts are publicly available at https://rtk-slam-dataset.github.io/.
• Abstract（参考訳）: RTK-SLAMシステムは、リアルタイムキネマティック(RTK)GNSS位置決めとSLAMを併用し、相対一貫性とグローバル参照座標の両方を効率的なジオレファレンスサーベイのために約束する。 評価基準である絶対軌道誤差(Absolute Trajectory Error, ATE)は、まず計算エラーの前に推定された軌道と基準との間の最適な剛体変換に適合する。 いわゆるSE(3)アライメントは、グローバルなドリフトと系統的なエラーを吸収し、軌道の精度を実際よりも高くし、RTK-SLAMのグローバルな精度を評価するには不適である。 このギャップを明らかにするために,測地的に参照されたデータセットと評価手法を提案する。 鍵となる設計原理は、RTK受信機がシステム入力としてのみ使用されるのに対して、地上の真理は測地学的全局を介して独立に確立されていることである。 この分離は、GNSSが(一部)基底真理として機能する既存のすべてのデータセットには欠落している。 データセットは、2つのシーンからなるハンドヘルドRTK-SLAMデバイスで収集される。 独立RTKと並行してLiDAR-inertial, visual-inertial, LiDAR-visual-inertial RTK-SLAMシステムを評価し, 直接的大域的精度とSE(3)-alignedの相対的精度を報告し, ギャップを明確にする。 結果,SE(3)アライメントは絶対位置誤差を最大76\%過小評価できることがわかった。 RTK-SLAMは、オープンスキー条件下ではセンチメートルレベルの絶対精度を達成し、屋内ではデシメートルレベルのグローバル精度を維持し、スタンドアロンRTKは数万メートルに低下する。 データセット、校正ファイル、評価スクリプトはhttps://rtk-slam-dataset.github.io/で公開されている。

関連論文リスト

• Bayesian Learning-Enhanced Navigation with Deep Smoothing for Inertial-Aided Navigation [8.510813384980262]
  BLENDSはデータ駆動のポストプロセッシングフレームワークで、トランスフォーマーベースのニューラルネットワークによって従来の2フィルタスムーズな拡張を行う。 BLENDSは、ベースライン前方EKFよりも最大63%の水平位置改善を実現している。
  論文  参考訳（メタデータ） (2026-03-26T12:11:59Z)
• Generative MIMO Beam Map Construction for Location Recovery and Beam Tracking [67.65578956523403]
  本稿では,スパースチャネル状態情報(CSI)から位置ラベルを直接復元する生成フレームワークを提案する。 生のCSIを直接格納する代わりに、小型の低次元無線地図の埋め込みを学び、生成モデルを利用して高次元CSIを再構築する。 数値実験により,NLOSシナリオにおける局所化精度が30%以上向上し,20%のキャパシティゲインが得られることが示された。
  論文  参考訳（メタデータ） (2025-11-21T07:25:49Z)
• Geo-Registration of Terrestrial LiDAR Point Clouds with Satellite Images without GNSS [25.05432314479669]
  衛星画像と3次元点雲を一致させる構造的ジオレジストレーションと空間補正法を提案する。 提案手法はKITTIベンチマークとローカルに収集したPerth (Western Australia) CBDデータセットを用いて検証した。 本手法は, 交差する配列間の平均平面アライメント標準偏差(STD)を0.84m達成し, 元のデータセットよりも55.3%改善した。
  論文  参考訳（メタデータ） (2025-07-08T14:00:18Z)
• APR-Transformer: Initial Pose Estimation for Localization in Complex Environments through Absolute Pose Regression [3.2584852202495806]
  本稿では,最先端の手法に触発されたモデルアーキテクチャであるAPR-Transformerを紹介する。 提案手法は,確立したベンチマークデータセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2025-05-14T13:06:42Z)
• 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)
• RING#: PR-by-PE Global Localization with Roto-translation Equivariant Gram Learning [20.688641105430467]
  GPS信号が信頼できない場合、グローバルなローカライゼーションは自動運転やロボティクスの応用において不可欠である。 ほとんどのアプローチは、逐次位置認識(PR)とポーズ推定(PE)により、グローバルなローカライゼーションを実現する。 ポーズ推定から直接導出することで、別の場所認識の必要性を回避できる新しいパラダイムであるPR-by-PEローカライゼーションを導入する。 本稿では,鳥眼視(BEV)空間で動作する終端PR-by-PEローカライゼーションネットワークであるRING#を提案する。
  論文  参考訳（メタデータ） (2024-08-30T18:42:53Z)
• UncLe-SLAM: Uncertainty Learning for Dense Neural SLAM [60.575435353047304]
  我々は、高密度ニューラルネットワークの同時局所化とマッピング(SLAM)のための不確実性学習フレームワークを提案する。 本稿では,2次元入力データのみから自己教師付きで学習可能なセンサ不確実性推定のためのオンラインフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-19T16:26:25Z)
• Learning for Transductive Threshold Calibration in Open-World Recognition [83.35320675679122]
  グラフニューラルネットワークを用いた高剛性と適応性を有するトランスダクティブしきい値キャリブレーション法であるOpenGCNを導入する。 オープンワールドの視覚認識ベンチマークにおける実験は、オープンワールドのしきい値校正のための既存のポストホック校正方法よりもOpenGCNの方が優れていることを検証する。
  論文  参考訳（メタデータ） (2023-05-19T23:52:48Z)
• Using Detection, Tracking and Prediction in Visual SLAM to Achieve Real-time Semantic Mapping of Dynamic Scenarios [70.70421502784598]
  RDS-SLAMは、一般的に使用されているIntel Core i7 CPUのみを使用して、動的シナリオのためのオブジェクトレベルでのセマンティックマップをリアルタイムで構築することができる。 我々は, TUM RGB-DデータセットにおけるRDS-SLAMを評価し, 動的シナリオにおいて, RDS-SLAMはフレームあたり30.3msで動作可能であることを示した。
  論文  参考訳（メタデータ） (2022-10-10T11:03:32Z)
• Robust Self-Supervised LiDAR Odometry via Representative Structure Discovery and 3D Inherent Error Modeling [67.75095378830694]
  そこで我々は,2段階のオドメトリ推定ネットワークを構築し,一連の部分領域変換を推定してエゴモーメントを求める。 本稿では,トレーニング,推論,マッピングフェーズにおける信頼できない構造の影響を軽減することを目的とする。 我々の2フレームのオードメトリーは、翻訳/回転誤差の点で、過去の芸術の状態を16%/12%上回っている。
  論文  参考訳（メタデータ） (2022-02-27T12:52:27Z)

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。