論文の概要: RadarSplat-RIO: Indoor Radar-Inertial Odometry with Gaussian Splatting-Based Radar Bundle Adjustment

• arxiv url: http://arxiv.org/abs/2604.13492v1
• Date: Wed, 15 Apr 2026 05:26:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-16 20:38:32.397331
• Title: RadarSplat-RIO: Indoor Radar-Inertial Odometry with Gaussian Splatting-Based Radar Bundle Adjustment
• Title（参考訳）: RadarSplat-RIO:Gaussian Splatting-based Radar Bundle Adjustmentを用いた室内レーダ慣性オドメトリー
• Authors: Pou-Chun Kung, Yuan Tian, Zhengqin Li, Yue Liu, Eric Whitmire, Wolf Kienzle, Hrvoje Benko,
• Abstract要約: レーダーは視覚とライダーの同時位置決めとマッピング(SLAM)よりも悪天候や照明条件に耐性がある ほとんどのレーダーSLAMパイプラインは依然としてフレーム・ツー・フレームのドリフトに大きく依存している。 本稿では,高密度かつ微分可能な表現であるGaussian Splatting(GS)によって実現された,最初のレーダバンドル調整(BA)フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 15.74169173366249
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Radar is more resilient to adverse weather and lighting conditions than visual and Lidar simultaneous localization and mapping (SLAM). However, most radar SLAM pipelines still rely heavily on frame-to-frame odometry, which leads to substantial drift. While loop closure can correct long-term errors, it requires revisiting places and relies on robust place recognition. In contrast, visual odometry methods typically leverage bundle adjustment (BA) to jointly optimize poses and map within a local window. However, an equivalent BA formulation for radar has remained largely unexplored. We present the first radar BA framework enabled by Gaussian Splatting (GS), a dense and differentiable scene representation. Our method jointly optimizes radar sensor poses and scene geometry using full range-azimuth-Doppler data, bringing the benefits of multi-frame BA to radar for the first time. When integrated with an existing radar-inertial odometry frontend, our approach significantly reduces pose drift and improves robustness. Across multiple indoor scenes, our radar BA achieves substantial gains over the prior radar-inertial odometry, reducing average absolute translational and rotational errors by 90% and 80%, respectively.
• Abstract（参考訳）: レーダーは視覚とライダーの同時位置決めとマッピング(SLAM)よりも悪天候や照明条件に耐性がある。 しかし、ほとんどのレーダーSLAMパイプラインはフレーム・ツー・フレームのドリフトに大きく依存している。 ループ閉鎖は長期的エラーを修正することができるが、再検討が必要であり、堅牢な位置認識に依存している。 対照的に、ビジュアル・オドメトリー法は一般的に、局所ウィンドウ内のポーズとマップを協調的に最適化するためにバンドル調整(BA)を利用する。 しかし、レーダーに相当するBAの定式化はほとんど未調査のままである。 本稿では,Gaussian Splatting(GS)によって実現された最初のレーダBAフレームワークについて述べる。 本手法は,レーダにマルチフレームBAの利点を初めてもたらすために,フルレンジ・アジマス・ドップラーデータを用いたレーダセンサのポーズとシーン形状を協調的に最適化する。 既存のレーダ慣性オドメトリーフロントエンドと統合することにより,ポーズドリフトを大幅に低減し,ロバスト性を向上させる。 複数の屋内シーンにおいて,レーダBAは従来のレーダ慣性オードメトリーよりも大幅に向上し,平均絶対翻訳誤差を90%,回転誤差を80%削減した。

関連論文リスト

• RadarGen: Automotive Radar Point Cloud Generation from Cameras [64.69976771710057]
  マルチビューカメラ画像からリアルな自動車用レーダー点雲を合成するための拡散モデルRadarGenを提案する。 RadarGenは、鳥の目視でレーダー計測を表現することで、レーダ領域への効率的な画像遅延拡散を適応する。 本稿では,RadarGenが特徴的レーダ計測分布を捕捉し,実データに基づいて学習した知覚モデルとのギャップを小さくすることを示す。
  論文  参考訳（メタデータ） (2025-12-19T18:57:33Z)
• RaLiFlow: Scene Flow Estimation with 4D Radar and LiDAR Point Clouds [10.906975408529895]
  我々は、パブリックな現実世界の自動車のデータセットに基づいて、Radar-LiDARシーンフローデータセットを構築した。 4DレーダとLiDARのための最初の共同シーンフロー学習フレームワークであるRaLiFlowを紹介する。 提案手法は,既存のLiDAR法とレーダ方式の単一モード法とを有意差で比較した。
  論文  参考訳（メタデータ） (2025-12-11T07:41:33Z)
• Super4DR: 4D Radar-centric Self-supervised Odometry and Gaussian-based Map Optimization [13.79944715452315]
  そこで我々は,4次元レーダー中心のフレームワークであるSuper4DRを提案する。 Super4DRは、従来の自己監督手法よりも67%の性能向上を実現し、オードメトリーとほぼ一致し、LiDARとの地図品質格差を狭める。 実験の結果,Super4DRは従来の自己監督法に比べて67%の性能向上を達成し,オードメトリーとほぼ一致し,LiDARとの地図品質格差を狭めることがわかった。
  論文  参考訳（メタデータ） (2025-12-10T12:55:05Z)
• 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)
• Radarize: Enhancing Radar SLAM with Generalizable Doppler-Based Odometry [9.420543997290126]
  Radarizeは、コモディティ単一チップmmWaveレーダーのみを使用する、自己完結型SLAMパイプラインである。 本手法は,最先端のレーダおよびレーダ慣性アプローチを計測値で約5倍,エンドツーエンドのSLAMで約8倍に向上する。
  論文  参考訳（メタデータ） (2023-11-19T07:47:11Z)
• 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)
• Full-Velocity Radar Returns by Radar-Camera Fusion [20.741391191916197]
  本稿では、カメラ画像からの対応する光フローを用いて、ドップラー帰還のポイントワイド全速度推定法を提案する。 また、レーダ・カメラ対応を推定するニューラルネットワークを用いて、レーダ・リターンとカメラ画像の関連性にも対処する。
  論文  参考訳（メタデータ） (2021-08-24T10:42:16Z)
• LiRaNet: End-to-End Trajectory Prediction using Spatio-Temporal Radar Fusion [52.59664614744447]
  本稿では,レーダセンサ情報と広範に使用されているライダーと高精細度(HD)マップを用いた新しい終端軌道予測手法LiRaNetを提案する。 自動車レーダーは、リッチで補完的な情報を提供し、より長い距離の車両検出と即時速度測定を可能にします。
  論文  参考訳（メタデータ） (2020-10-02T00:13:00Z)
• RadarNet: Exploiting Radar for Robust Perception of Dynamic Objects [73.80316195652493]
  我々は、自動運転車の文脈における認識のためにRadarを利用する問題に取り組む。 我々は、LiDARとRadarの両方のセンサーを知覚に利用した新しいソリューションを提案する。 RadarNetと呼ばれる我々のアプローチは、ボクセルベースの早期核融合と注意に基づく後期核融合を特徴としている。
  論文  参考訳（メタデータ） (2020-07-28T17:15:02Z)

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。