論文の概要: Environment-Adaptive Solid-State LiDAR-Inertial Odometry

• arxiv url: http://arxiv.org/abs/2604.15864v1
• Date: Fri, 17 Apr 2026 09:13:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-20 22:00:19.850018
• Title: Environment-Adaptive Solid-State LiDAR-Inertial Odometry
• Title（参考訳）: 環境適応型固体LiDAR-慣性オドメトリー
• Authors: Zhi Zhang, Chalermchon Satirapod, Bingtao Ma, Changjun Gu,
• Abstract要約: 固体LiDAR慣性SLAMは、速度とロバスト性に利点があるため、大きな注目を集めている。 極端な環境で正確なマッピングを実現することは、厳密な幾何学的縮退と信頼性の低い観測のため、依然として困難である。 本稿では,環境適応型ソリッドステートLiDAR慣性オドメトリーを提案する。
• 参考スコア（独自算出の注目度）: 4.423149595363559
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Solid-state LiDAR-inertial SLAM has attracted significant attention due to its advantages in speed and robustness. However, achieving accurate mapping in extreme environments remains challenging due to severe geometric degeneracy and unreliable observations, which often lead to ill-conditioned optimization and map inconsistencies. To address these challenges, we propose an environment-adaptive solid-state LiDAR-inertial odometry that integrates local normal-vector constraints with degeneracy-aware map maintenance to enhance localization accuracy. Specifically, we introduce local normal-vector constraints to improve the stability of state estimation, effectively suppressing localization drift in degenerate scenarios. Furthermore, we design a degeneration-guided map update strategy to improve map precision. Benefiting from the refined map representation, localization accuracy is further enhanced in subsequent estimation. Experimental results demonstrate that the proposed method achieves superior mapping accuracy and robustness in extreme and perceptually degraded environments, with an average RMSE reduction of up to 12.8% compared to the baseline method.
• Abstract（参考訳）: 固体LiDAR慣性SLAMは、速度とロバスト性に利点があるため、大きな注目を集めている。 しかし、厳密な幾何学的縮退と信頼性の低い観測のため、極端な環境で正確なマッピングを実現することは依然として困難であり、しばしば不条件の最適化や地図の不整合につながる。 これらの課題に対処するために,局所正規ベクトル制約と縮退対応マップの保守を統合し,局所化精度を高める環境適応型固体LiDAR慣性オドメトリーを提案する。 具体的には、状態推定の安定性を向上させるために局所正規ベクトル制約を導入し、退化シナリオにおける局所化ドリフトを効果的に抑制する。 さらに、地図精度を向上させるために、縮退誘導マップ更新戦略を設計する。 改良された地図表現から恩恵を受けることにより、その後の推定において、局所化精度がさらに向上する。 実験により,提案手法は極端および知覚的に劣化した環境におけるマッピング精度とロバスト性に優れており,平均RMSEの減少率は基準法に比べて12.8%であることがわかった。

関連論文リスト

• Uncertainty Estimation for Deep Reconstruction in Actuatic Disaster Scenarios with Autonomous Vehicles [68.82821445619759]
  原理的不確実性定量化は 能動センシング戦略に不可欠です Evidential Deep Learningは、すべてのセンサ構成で最高の再構築精度と不確実性校正を実現する。 これらの知見は、リアルタイムの自動運転車配備における不確実性認識フィールド再構築の方法として、エビデンシャル・ディープ・ラーニングを支持している。
  論文  参考訳（メタデータ） (2026-04-07T19:17:44Z)
• Variable-Resolution Virtual Maps for Autonomous Exploration with Unmanned Surface Vehicles (USVs) [12.687661957286416]
  海岸に近い海域では、自律型表面車両(USV)は、広範囲にわたる信頼性の高い位置決めと一貫したマッピングを必要としている。 仮想マップベースの手法は、地図の不確実性基準と密結合係数グラフSLAMによる局所化とマッピングの不確実性を明示的にモデル化する。 本稿では,地図の不確実性を表す計算効率の良い方法として,可変解仮想マップ(VRVM)を提案する。
  論文  参考訳（メタデータ） (2026-03-24T00:38:29Z)
• Geometry-Aware Uncertainty Quantification via Conformal Prediction on Manifolds [3.2848713528308817]
  本研究では, ユークリッド残差を測地的非整合性スコアに置き換え, 異方性雑音に対処するためのクロスバリデード困難度推定器を用いて正規化する枠組みを提案する。 得られた予測領域は、球面上の測地的キャップであり、位置に依存しない領域を持ち、その大きさを局所的な予測困難に適応させ、非適応的な領域よりもはるかに均一な条件付きカバレッジをもたらす。
  論文  参考訳（メタデータ） (2026-02-17T21:12:47Z)
• AI-Augmented Density-Driven Optimal Control (D2OC) for Decentralized Environmental Mapping [0.0]
  本稿では,センサと通信の制限下でのマルチエージェント環境マッピングのためのAI拡張型分散フレームワークを提案する。 提案手法では, エージェントが局所密度推定を反復的に洗練できる適応的, 自己補正機構を提案する。
  論文  参考訳（メタデータ） (2026-01-28T23:55:02Z)
• Ridge Estimation-Based Vision and Laser Ranging Fusion Localization Method for UAVs [17.481698143413862]
  本稿では,尾根推定に基づく核融合局所化手法を提案する。 設計行列の列ベクトルは最小二乗推定アルゴリズムを用いる場合、重大多重線型性を有する。 限られた観測条件下での重度の多重線型性を軽減するためにリッジ推定を導入する。
  論文  参考訳（メタデータ） (2025-12-18T08:54:24Z)
• Revisiting Zeroth-Order Optimization: Minimum-Variance Two-Point Estimators and Directionally Aligned Perturbations [57.179679246370114]
  乱摂動の分布は, 摂動段差がゼロになる傾向にあるため, 推定子の分散を最小限に抑える。 以上の結果から, 一定の長さを維持するのではなく, 真の勾配に方向を合わせることが可能であることが示唆された。
  論文  参考訳（メタデータ） (2025-10-22T19:06:39Z)
• On the Optimal Construction of Unbiased Gradient Estimators for Zeroth-Order Optimization [57.179679246370114]
  既存の手法の潜在的な制限は、ステップサイズが提案されない限り、ほとんどの摂動推定器に固有のバイアスである。 本稿では, 良好な構成を維持しつつ, バイアスを排除した非バイアス勾配スケーリング推定器のファミリーを提案する。
  論文  参考訳（メタデータ） (2025-10-22T18:25:43Z)
• Towards Robust LiDAR Localization: Deep Learning-based Uncertainty Estimation [1.9268905951820923]
  反復クローズトポイント(ICP)は、特徴のない環境や動的なシーンでエラーを起こしやすいため、不正確なポーズ推定につながる。 本稿では、深層学習を利用したデータ駆動型フレームワークを提案し、マッチング前にICPの登録誤差共分散を推定する。 本手法はカルマンフィルタにおけるICPのシームレスな統合を可能にし,局所化精度とロバスト性を向上させる。
  論文  参考訳（メタデータ） (2025-09-23T13:02:44Z)
• Improving Gaussian Splatting with Localized Points Management [52.009874685460694]
  局所的点管理(LPM)は、点加算と幾何校正の両方を最大限に必要としながら、これらの誤り貢献ゾーンを特定することができる。 LPMは特定されたゾーンに点密度を適用し、これらの領域の前にある点の不透明度をリセットし、不適切な点を修正する新しい機会を生み出す。 特に、LPMは静的3DGSとダイナミックなSpaceTimeGSの両方を改善して、リアルタイム速度を維持しながら最先端のレンダリング品質を実現している。
  論文  参考訳（メタデータ） (2024-06-06T16:55:07Z)
• SPARE: Symmetrized Point-to-Plane Distance for Robust Non-Rigid 3D Registration [77.13381026159111]
  本研究では,SPAREを提案する。SPAREは,非剛性登録のための対称化点-平面間距離を用いた新しい定式化である。 提案手法は, 厳密でない登録問題の精度を大幅に向上し, 比較的高い解効率を維持する。
  論文  参考訳（メタデータ） (2024-05-30T15:55:04Z)

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。