論文の概要: BIEVR-LIO: Robust LiDAR-Inertial Odometry through Bump-Image-Enhanced Voxel Maps
- arxiv url: http://arxiv.org/abs/2604.14421v1
- Date: Wed, 15 Apr 2026 21:07:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-17 21:29:31.609395
- Title: BIEVR-LIO: Robust LiDAR-Inertial Odometry through Bump-Image-Enhanced Voxel Maps
- Title（参考訳）: BIEVR-LIO:バンプ画像強化ボクセルマップによるロバストLiDAR慣性オドメトリー
- Authors: Patrick Pfreundschuh, Turcan Tuna, Cedric Le Gentil, Roland Siegwart, Cesar Cadena, Helen Oleynikova,
- Abstract要約: BIEVR-LIOは、利用可能な幾何の微妙な変化を利用して、ロバスト性を向上させるために設計された新しいアプローチである。
本稿では,曲面をコンパクトなボクセル指向高画像として格納する高解像度マップ表現を提案する。
複数のセンサ、プラットフォーム、環境にまたがる実験は、よく制約されたシーンにおける最先端のパフォーマンスを示し、ベースラインメソッドが分散する困難なシナリオにおいて大幅に改善されている。
- 参考スコア（独自算出の注目度）: 19.767456015446065
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Reliable odometry is essential for mobile robots as they increasingly enter more challenging environments, which often contain little information to constrain point cloud registration, resulting in degraded LiDAR-Inertial Odometry (LIO) accuracy or even divergence. To address this, we present BIEVR-LIO, a novel approach designed specifically to exploit subtle variations in the available geometry for improved robustness. We propose a high-resolution map representation that stores surfaces as compact voxel-wise oriented height images. This representation can directly be used for registration without the calculation of intermediate geometric primitives while still supporting efficient updates. Since informative geometry is often sparsely distributed in the environment, we further propose a map-informed point sampling strategy to focus registration on geometrically informative regions, improving robustness in uninformative environments while reducing computational cost compared to global high-resolution sampling. Experiments across multiple sensors, platforms, and environments demonstrates state-of-the-art performance in well-constrained scenes and substantial improvements in challenging scenarios where baseline methods diverge. Additionally, we demonstrate that the fine-grained geometry captured by BIEVR-LIO can be used for downstream tasks such as elevation mapping for robot locomotion.
- Abstract（参考訳）: 信頼性の高いオドメトリーは、ますます困難な環境に入り込み、ポイントクラウドの登録を制約する情報が少なくなり、結果として劣化したLiDAR-慣性オドメトリー(LIO)の精度が低下したり、あるいはばらばらになったりするため、移動ロボットにとって不可欠である。
そこで本研究では,高ロバスト性向上のために利用可能な幾何の微妙な変化を利用する新しい手法であるBIEVR-LIOを提案する。
本稿では,曲面をコンパクトなボクセル指向高画像として格納する高解像度マップ表現を提案する。
この表現は、効率的な更新をサポートしながら、中間幾何学的プリミティブを計算せずに直接登録することができる。
情報的幾何は、しばしば環境に分散しているため、幾何学的情報的領域の登録に集中し、非情報的環境におけるロバスト性を向上させるとともに、グローバルな高分解能サンプリングと比較して計算コストを削減できるマップインフォームドポイントサンプリング戦略を提案する。
複数のセンサ、プラットフォーム、環境にまたがる実験は、よく制約されたシーンにおける最先端のパフォーマンスを示し、ベースラインメソッドが分散する困難なシナリオにおいて大幅に改善されている。
さらに,BIEVR-LIOが捉えた微細な形状が,ロボットの移動の高度マッピングなどの下流作業に利用できることを示す。
関連論文リスト
- Scaling Up Occupancy-centric Driving Scene Generation: Dataset and Method [54.461213497603154]
作業中心の手法は、最近、フレームとモダリティをまたいだ一貫した条件付けを提供することで、最先端の結果を得た。
Nuplan-Occは、広く使われているNuplanベンチマークから構築された、これまでで最大の占有率データセットである。
高品質な占有、多視点ビデオ、LiDAR点雲を共同で合成する統合フレームワークを開発した。
論文 参考訳（メタデータ） (2025-10-27T03:52:45Z) - Cross-Modal Geometric Hierarchy Fusion: An Implicit-Submap Driven Framework for Resilient 3D Place Recognition [9.411542547451193]
本稿では,密度に依存しない幾何学的推論により3次元位置認識を再定義するフレームワークを提案する。
具体的には、元のシーンポイント雲密度の干渉に免疫する弾性点に基づく暗黙の3次元表現を導入する。
これら2種類の情報を活用することで,鳥眼視と3Dセグメントの両視点から幾何学的情報を融合する記述子を得る。
論文 参考訳（メタデータ） (2025-06-17T07:04:07Z) - HessianForge: Scalable LiDAR reconstruction with Physics-Informed Neural Representation and Smoothness Energy Constraints [18.858320397002277]
深層学習アプローチは、生のLiDAR点雲から符号付き距離場を学習する。
トポロジ的不整合とエッジ歪みの補正のためのテスト時間改善戦略
textttCUDAによる最小二乗最適化。
論文 参考訳（メタデータ） (2025-03-11T22:18:51Z) - View Consistent Purification for Accurate Cross-View Localization [59.48131378244399]
本稿では,屋外ロボットのための微細な自己局在化手法を提案する。
提案手法は,既存のクロスビューローカライゼーション手法の限界に対処する。
これは、動的環境における知覚を増強する初めての疎視のみの手法である。
論文 参考訳（メタデータ） (2023-08-16T02:51:52Z) - DARF: Depth-Aware Generalizable Neural Radiance Field [51.29437249009986]
本稿では,Depth-Aware Dynamic Smpling(DADS)戦略を用いたDARF(Depth-Aware Generalizable Neural Radiance Field)を提案する。
筆者らのフレームワークは,数枚の入力画像で,画素レベルと幾何学レベルの両方の見えないシーンを推測する。
DARFは、最先端の一般化可能なNeRF法と比較して、レンダリング品質と深さ推定を改善しつつ、サンプルを50%削減する。
論文 参考訳（メタデータ） (2022-12-05T14:00:59Z) - Information-Theoretic Odometry Learning [83.36195426897768]
生体計測推定を目的とした学習動機付け手法のための統合情報理論フレームワークを提案する。
提案フレームワークは情報理論言語の性能評価と理解のためのエレガントなツールを提供する。
論文 参考訳（メタデータ） (2022-03-11T02:37:35Z) - Visual SLAM with Graph-Cut Optimized Multi-Plane Reconstruction [11.215334675788952]
本稿では,インスタンス平面セグメンテーションネットワークからのキューを用いたポーズ推定とマッピングを改善する意味平面SLAMシステムを提案する。
メインストリームのアプローチはRGB-Dセンサーを使用するが、そのようなシステムを備えた単眼カメラを使うことは、ロバストデータアソシエーションや正確な幾何モデルフィッティングといった課題に直面している。
論文 参考訳（メタデータ） (2021-08-09T18:16:08Z) - Deep Soft Procrustes for Markerless Volumetric Sensor Alignment [81.13055566952221]
本研究では、より堅牢なマルチセンサ空間アライメントを実現するために、マーカーレスデータ駆動対応推定を改善する。
我々は、幾何学的制約を終末的に典型的なセグメンテーションベースモデルに組み込み、対象のポーズ推定タスクと中間密な分類タスクをブリッジする。
実験により,マーカーベースの手法で同様の結果が得られ,マーカーレス手法よりも優れ,またキャリブレーション構造のポーズ変動にも頑健であることがわかった。
論文 参考訳（メタデータ） (2020-03-23T10:51:32Z)
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。