論文の概要: TESO: Online Tracking of Essential Matrix by Stochastic Optimization
- arxiv url: http://arxiv.org/abs/2604.19420v1
- Date: Tue, 21 Apr 2026 12:52:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-22 22:41:49.771595
- Title: TESO: Online Tracking of Essential Matrix by Stochastic Optimization
- Title（参考訳）: TESO:確率最適化による基本行列のオンライン追跡
- Authors: Jaroslav Moravec, Radim Šára, Akihiro Sugimoto,
- Abstract要約: ステレオカメラキャリブレーションパラメータの長期精度を維持することは、自律的な知覚にとって重要である。
本研究は,TESO (Online Tracking of Essential Matrix by Optimization) を提案する。
TESOはCPUとメモリの要求が低く、データ駆動トレーニングを必要としない。
- 参考スコア（独自算出の注目度）: 4.769000601225209
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Maintaining long-term accuracy of stereo camera calibration parameters is important for autonomous systems' perception. This work proposes Online Tracking of Essential Matrix by Stochastic Optimization (TESO). The core mechanisms of TESO are: 1) a robust loss function based on kernel correlation over tentative correspondences, 2) an adaptive online stochastic optimization on the essential manifold. TESO has low CPU and memory requirements, relies on a few hyperparameters, and eliminates the need for data-driven training, enabling the usage in resource-constrained online perception systems. We evaluated the influence of TESO on geometric precision, rectification quality, and stereo depth consistency. On the large-scale MAN TruckScenes dataset, TESO tracks rotational calibration drift with 0.12 deg precision in the Y-axis (critical for stereo accuracy) while the X- and Z-axes are five times more precise. Tracking applied to sequences with simulated drift shows similar precision with respect to the reference as tracking applied to no-drift sequences, indicating the tracker is unbiased. On the KITTI dataset, TESO revealed systematic inconsistencies in extrinsic parameters across stereo pairs, confirming previous published findings. We verified that intrinsic decalibration affected these errors, as evidenced by the conflicting behavior of the rectification and depth metrics. After correcting the reference calibration, TESO improved its rotation precision around the Y-axis 20 times to 0.025 deg and its depth accuracy 50 times. Despite its lightweight design, direct optimization of the proposed TESO loss function alone achieves accuracy comparable to that of neural network-based single-frame methods.
- Abstract（参考訳）: ステレオカメラキャリブレーションパラメータの長期精度を維持することは、自律システムの認識にとって重要である。
本研究は,確率最適化(TESO)による基本行列のオンライン追跡を提案する。
TESOのコアメカニズムは次のとおりである。
1) 仮対応に対するカーネル相関に基づくロバストな損失関数
2) 本質多様体上の適応的オンライン確率最適化。
TESOはCPUとメモリの要求が低く、いくつかのハイパーパラメータに依存しており、データ駆動トレーニングの必要性を排除し、リソースに制約のあるオンライン認識システムでの使用を可能にする。
TESOが幾何学的精度, 整合性, 立体的深さの整合性に及ぼす影響について検討した。
大規模なMAN TruckScenesデータセットでは、TESOはX軸とZ軸の精度が5倍であるのに対して、Y軸の0.12デグ精度で回転キャリブレーションドリフトを追跡する。
ドリフトを模擬したシーケンスに適用されるトラッキングは、ノドリフトシーケンスに適用されるトラッキングと同様の精度を示し、トラッカーが偏りがないことを示す。
KITTIデータセットでは、TESOはステレオペア間の外部パラメータの系統的不整合を明らかにし、以前の発表結果を確認した。
補正と深度測定の相反する挙動が示すように,本態性脱校正がこれらの誤りに影響を及ぼしたことが確認された。
基準校正の修正後、TESOはY軸付近の回転精度を20倍から0.025デグに改善し、深さ精度は50倍に向上した。
軽量な設計にもかかわらず、提案したTESO損失関数を直接最適化するだけで、ニューラルネットワークベースの単一フレーム法に匹敵する精度が得られる。
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) - Correctness-Optimized Residual Activation Lens (CORAL): Transferrable and Calibration-Aware Inference-Time Steering [3.7758197704962835]
重み付きデカイプローブを用いて、モデル内部のアクティベーションから正当性信号を捕捉する正規化時間ステアリング法であるCORALを導入する。
コラルは、常に精度を10%改善し、期待キャリブレーション誤差(ECE)を平均50%改善する。
本結果は,個々のニューロンが不十分な場合,正規化プローブを用いてモデル内部の分散情報を抽出できるという仮説を支持する。
論文 参考訳（メタデータ） (2026-02-05T18:55:56Z) - DLBAcalib: Robust Extrinsic Calibration for Non-Overlapping LiDARs Based on Dual LBA [11.721420447780032]
本稿では,マルチLiDARシステムのための新しいターゲットレス外部キャリブレーションフレームワークを提案する。
提案手法は,目標LiDARからの連続走査により,正確な基準点クラウドマップを構築する。
本フレームワークでは,平均翻訳誤差が5mm,回転誤差が0.2deg,初期誤差が0.4m/30degである。
論文 参考訳（メタデータ） (2025-07-12T07:48:02Z) - UniCalib: Targetless LiDAR-Camera Calibration via Probabilistic Flow on Unified Depth Representations [30.56092814783138]
DF-Calibは, キャリブレーションをモード内深さ流量推定問題として再構成するLiDARカメラキャリブレーション法である。
DF-Calibは、カメラ画像から深度マップを推定し、疎LiDAR投影深度マップを完成させる。
本稿では,有効画素を優先する信頼性マップを導入し,深度フロー推定の精度を高めるために,知覚的に重み付けされたスパースフロー損失を提案する。
論文 参考訳（メタデータ） (2025-04-02T07:09:44Z) - Bridging Precision and Confidence: A Train-Time Loss for Calibrating
Object Detection [58.789823426981044]
本稿では,境界ボックスのクラス信頼度を予測精度に合わせることを目的とした,新たな補助損失定式化を提案する。
その結果,列車の走行時間損失はキャリブレーション基準を超過し,キャリブレーション誤差を低減させることがわかった。
論文 参考訳（メタデータ） (2023-03-25T08:56:21Z) - Confidence Calibration for Intent Detection via Hyperspherical Space and
Rebalanced Accuracy-Uncertainty Loss [17.26964140836123]
一部のシナリオでは、ユーザは正確さだけでなく、モデルの信頼性も気にします。
本稿では,超球面空間と精度・不確かさ損失の再バランスを用いたモデルを提案する。
本モデルでは,既存の校正手法より優れ,校正基準の大幅な改善を実現している。
論文 参考訳（メタデータ） (2022-03-17T12:01:33Z) - Uncertainty-Aware Camera Pose Estimation from Points and Lines [101.03675842534415]
Perspective-n-Point-and-Line (Pn$PL) は、2D-3D特徴座標の3Dモデルに関して、高速で正確で堅牢なカメラローカライゼーションを目指している。
論文 参考訳（メタデータ） (2021-07-08T15:19:36Z) - Automatic Extrinsic Calibration Method for LiDAR and Camera Sensor
Setups [68.8204255655161]
本論文では,LiDAR,単眼,ステレオカメラを含む任意のセンサのパラメータを校正する手法を提案する。
提案手法は、通常、車両のセットアップで見られるように、非常に異なる解像度とポーズのデバイスを扱うことができる。
論文 参考訳（メタデータ） (2021-01-12T12:02:26Z) - Pushing the Envelope of Rotation Averaging for Visual SLAM [69.7375052440794]
視覚SLAMシステムのための新しい最適化バックボーンを提案する。
従来の単分子SLAMシステムの精度, 効率, 堅牢性を向上させるために, 平均化を活用している。
我々のアプローチは、公開ベンチマークの最先端技術に対して、同等の精度で最大10倍高速に表示することができる。
論文 参考訳（メタデータ） (2020-11-02T18:02:26Z) - Uncertainty Estimation Using a Single Deep Deterministic Neural Network [66.26231423824089]
本稿では,1回のフォワードパスで,テスト時に分布データポイントの発見と拒否が可能な決定論的ディープモデルを訓練する手法を提案する。
我々は,新しい損失関数とセントロイド更新方式を用いて,これらをスケールトレーニングし,ソフトマックスモデルの精度に適合させる。
論文 参考訳（メタデータ） (2020-03-04T12:27:36Z) - Calibrating Deep Neural Networks using Focal Loss [77.92765139898906]
ミススキャリブレーション(Miscalibration)は、モデルの信頼性と正しさのミスマッチである。
焦点損失は、既に十分に校正されたモデルを学ぶことができることを示す。
ほぼすべてのケースにおいて精度を損なうことなく,最先端のキャリブレーションを達成できることを示す。
論文 参考訳（メタデータ） (2020-02-21T17:35:50Z)
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。