論文の概要: LiDAR Teach, Radar Repeat: Robust Cross-Modal Navigation in Degenerate and Varying Environments

• arxiv url: http://arxiv.org/abs/2605.02809v1
• Date: Mon, 04 May 2026 16:46:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:50.415789
• Title: LiDAR Teach, Radar Repeat: Robust Cross-Modal Navigation in Degenerate and Varying Environments
• Title（参考訳）: LiDAR Teach, Radar Repeat: 退化・分散環境におけるロバストなクロスモーダルナビゲーション
• Authors: Renxiang Xiao, Yichen Chen, Yuanfan Zhang, Qianyi Shao, Yushuai Chen, Yuxuan Han, Yunjiang Lou, Liang Hu,
• Abstract要約: Teach-and-Repeat(T&R)ナビゲーションは、一貫したグローバルマッピングの必要性を回避し、信頼性とコスト効率のよいソリューションを提供する。 既存のT&Rシステムは、気象劣化、短命のダイナミクス、構造変化など、様々な環境変動に対処するための体系的な解決策を欠いている。 LTR$2$は、最初のクロスプラットフォームのLiDAR-Teach-and-Radar-Repeatシステムである。
• 参考スコア（独自算出の注目度）: 11.139057813795828
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Long-term autonomy requires robust navigation in environments subject to dynamic and static changes, as well as adverse weather conditions. Teach-and-Repeat (T\&R) navigation offers a reliable and cost-effective solution by avoiding the need for consistent global mapping; however, existing T\&R systems lack a systematic solution to tackle various environmental variations such as weather degradation, ephemeral dynamics, and structural changes. This work proposes LTR$^2$, the first cross-modal, cross-platform LiDAR-Teach-and-Radar-Repeat system that systematically addresses these challenges. LTR$^2$ leverages LiDAR during the teaching phase to capture precise structural information under normal conditions and utilizes 4D millimeter-wave radar during the repeating phase for robust operation under environmental degradations. To align sparse and noisy forward-looking 4D radar with dense and accurate omnidirectional 3D LiDAR data, we introduce a Cross-Modal Registration (CMR) network that jointly exploits Doppler-based motion priors and the physical laws governing LiDAR intensity and radar power density. Furthermore, we propose an adaptive fine-tuning strategy that incrementally updates the CMR network based on localization errors, enabling long-term adaptability to static environmental changes without ground-truth labels. We demonstrate that the proposed CMR network achieves state-of-the-art cross-modal registration performance on the open-access dataset. Then we validate LTR$^2$ across three robot platforms over a large-scale, long-term deployment (40+ km over 6 months), including challenging conditions such as nighttime smoke. Experimental results and ablation studies demonstrate centimeter-level accuracy and strong robustness against diverse environmental disturbances, significantly outperforming existing approaches.
• Abstract（参考訳）: 長期の自律性には、動的および静的な変化を受ける環境や、悪天候条件が伴う環境において、堅牢なナビゲーションが必要である。 Teach-and-Repeat(T\&R)ナビゲーションは、一貫したグローバルマッピングの必要性を回避して、信頼性とコスト効率のよいソリューションを提供するが、既存のT\&Rシステムは、天候劣化、短命な力学、構造変化といった様々な環境変動に対処するための体系的な解決策を欠いている。 この研究は、これらの課題に体系的に対処する最初のクロスプラットフォームのLiDAR-Teach-and-Radar-RepeatシステムであるLTR$^2$を提案する。 LTR$^2$は、教育段階でLiDARを利用して、通常の条件下での正確な構造情報を捕捉し、環境劣化下でのロバストな操作を繰り返す段階で4Dミリ波レーダを利用する。 そこで我々は, ドップラーをベースとした3次元LIDARデータと, LiDAR強度とレーダパワー密度を規定する物理法則を併用したCMR(Cross-Modal Registration)ネットワークを導入する。 さらに,局所化誤差に基づいてCMRネットワークを漸進的に更新する適応的な微調整手法を提案する。 提案したCMRネットワークは,オープンアクセスデータセット上で,最先端のクロスモーダル登録性能を実現する。 次に,3つのロボットプラットフォームにまたがるLTR$^2$を,夜間煙などの困難条件を含む大規模な長期展開(6ヶ月で40+km以上)で検証する。 実験結果とアブレーション研究は、様々な環境障害に対するセンチメートルレベルの精度と強靭性を示し、既存のアプローチよりも著しく優れていた。

関連論文リスト

• Learned Elevation Models as a Lightweight Alternative to LiDAR for Radio Environment Map Estimation [4.489167091323233]
  推論時に3次元データを必要としない2段階のフレームワークを提案する。 既存のCNNベースのREM推定アーキテクチャでは、画像のみのベースラインよりもRMSEを最大7.8%改善する。
  論文  参考訳（メタデータ） (2026-04-07T07:18:53Z)
• Weather-Conditioned Branch Routing for Robust LiDAR-Radar 3D Object Detection [43.35380334829282]
  気象条件の分岐経路問題としてマルチモーダル認識を再構成する。 我々のフレームワークは、純粋なLiDARブランチ、純粋な4Dレーダブランチ、条件付き融合ブランチの3つの並列3D特徴ストリームを明示的に維持している。 K-Radarベンチマーク実験により,本手法が最先端性能を実現することを示す。
  論文  参考訳（メタデータ） (2026-04-07T03:56:27Z)
• Degeneracy-Resilient Teach and Repeat for Geometrically Challenging Environments Using FMCW Lidar [18.593167038234828]
  Teach and Repeat(T&R)のトポロジカルナビゲーションにより、ロボットはGPSに頼ることなく、事前に走行した経路を自律的に繰り返すことができる。 本稿では,ドップラー速度に基づくドップラー計測とデジェネリアシー・アウェア・スキャン・トゥ・マップ・ローカライゼーションからなる周波数変調連続波ライダーT&Rナビゲーションシステムを提案する。
  論文  参考訳（メタデータ） (2026-03-10T21:57:08Z)
• Lightweight 3D LiDAR-Based UAV Tracking: An Adaptive Extended Kalman Filtering Approach [2.3646560222366695]
  本稿では,Adaptive Extended Kalman Filter (AEKF) を組み込んだ軽量LiDARベースのUAVトラッキングシステムを提案する。 提案手法は,非反復走査型3次元LiDARにより発生するスパース,ノイズ,および不均一点クラウドデータによる課題を効果的に解決する。
  論文  参考訳（メタデータ） (2026-03-10T15:19:34Z)
• 3D Dynamic Radio Map Prediction Using Vision Transformers for Low-Altitude Wireless Networks [52.73015408160948]
  低高度無線ネットワーク(LAWN)は無人航空機(UAV)の普及に伴い急速に拡大している 信頼性の高い接続性は、三次元(3D)モビリティ、時間変化によるユーザ密度、限られた電力予算のために、依然として重要な課題である。 本稿では,受信電力の進化を学習し,予測する3次元動的無線マップ(3D高度)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-24T11:47:17Z)
• NOVA: Navigation via Object-Centric Visual Autonomy for High-Speed Target Tracking in Unstructured GPS-Denied Environments [56.35569661650558]
  我々はNOVAというオブジェクト中心のフレームワークを導入し、ロバストな目標追跡と衝突認識ナビゲーションを可能にした。 グローバルマップを構築するのではなく、NOVAはターゲットの参照フレーム内での知覚、推定、制御を定式化する。 我々は,都市迷路や森林の小道,間欠的なGPS損失を伴う建物内の繰り返し遷移など,現実の挑戦的なシナリオにまたがってNOVAを検証する。
  論文  参考訳（メタデータ） (2025-06-23T14:28:30Z)
• World Model-Based Learning for Long-Term Age of Information Minimization in Vehicular Networks [53.98633183204453]
  本稿では,車載ネットワークにおけるパケット完全性認識情報(CAoI)の年齢を最小化するために,新しい世界モデルに基づく学習フレームワークを提案する。 mmWave V2X環境の動的モデルを共同で学習し、リンクスケジューリングの方法を学ぶための軌跡を想像するために使用する世界モデルフレームワークを提案する。 特に、長期的な政策は環境相互作用の代わりに、異なる想像軌道で学習される。
  論文  参考訳（メタデータ） (2025-05-03T06:23:18Z)
• Resource-Efficient Beam Prediction in mmWave Communications with Multimodal Realistic Simulation Framework [57.994965436344195]
  ビームフォーミングは、方向と強度を最適化して信号伝送を改善するミリ波通信において重要な技術である。 マルチモーダルセンシング支援ビーム予測は,ユーザ位置やネットワーク条件を予測するために,さまざまなセンサデータを使用して注目されている。 その有望な可能性にもかかわらず、マルチモーダルセンシング支援ビーム予測の採用は、高い計算複雑性、高いコスト、限られたデータセットによって妨げられている。
  論文  参考訳（メタデータ） (2025-04-07T15:38:25Z)
• Bayesian Approximation-Based Trajectory Prediction and Tracking with 4D Radar [13.438311878715536]
  3Dマルチオブジェクトトラッキング(MOT)は自動運転車には不可欠だが、LiDARとカメラベースの手法は悪天候下では劣化する。 本研究では,4次元レーダベースMOTフレームワークであるBayes-4DRTrackを提案する。
  論文  参考訳（メタデータ） (2025-02-03T13:49:21Z)

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。