論文の概要: Dr-PoGO: Direct Radar Pose-Graph Optimization
- arxiv url: http://arxiv.org/abs/2605.04806v1
- Date: Wed, 06 May 2026 11:58:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-07 18:41:07.799596
- Title: Dr-PoGO: Direct Radar Pose-Graph Optimization
- Title（参考訳）: Dr-PoGO: 直接レーダーポーズグラフ最適化
- Abstract要約: 本稿では,2次元回転レーダを用いたSLAM法であるDr-PoGOを紹介する。
視線を必要とするカメラやライダーとは異なり、ミリ波レーダーは塵や雪、雨などを通して見ることができます。
Dr-PoGOは、様々な現実世界の自動車環境において、300km以上のデータの最先端のパフォーマンスを実証する。
- 参考スコア（独自算出の注目度）: 11.790199751127574
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper introduces Dr-PoGO, a method for Simultaneous Localization And Mapping (SLAM) using a 2D spinning radar. Unlike cameras or lidars that require line-of-sight, millimetre-wave radars can `see' through dust, falling snow, rain, etc. Accordingly, it is a great modality for robust perception regardless of the weather conditions. While most existing radar-based SLAM methods rely on the extraction of point clouds or features to perform ego-motion estimation, Dr-PoGO leverages direct registration techniques for odometry (DRO) and loop-closure registration. An off-the-shelf radar-focused place recognition algorithm, RaPlace, provides loop-closure candidates. As RaPlace does not provide relative transformations, Dr-PoGO introduces a coarse-to-fine registration that uses visual features and descriptors to obtain an initial guess for the direct transformation refinement. The global trajectory is optimized in a pose-graph optimization. Dr-PoGO demonstrates state-of-the-art performance over 300km of data in various real-world automotive environments. Our implementation is publicly available: https://github.com/utiasASRL/dr_pogo.
- Abstract（参考訳）: 本稿では,2次元回転レーダを用いたSLAM法であるDr-PoGOを紹介する。
視線を必要とするカメラやライダーとは異なり、ミリ波レーダーは塵や雪、雨などを通して「見る」ことができる。
したがって、天候によらず、頑健な認識にとって大きなモダリティである。
既存のレーダーベースのSLAM法は、エゴモーション推定を行うために点雲や特徴の抽出に依存しているが、Dr-PoGOは、ドメトリー(DRO)とループ閉鎖登録の直接登録技術を利用している。
市販のレーダーによる位置認識アルゴリズムであるRaPlaceは、ループ閉鎖候補を提供する。
RaPlaceは相対変換を提供しないため、Dr-PoGOは、視覚的特徴と記述子を使用して、直接変換の洗練に関する最初の推測を得る粗大な登録を導入している。
グローバルな軌道はポーズグラフ最適化に最適化されている。
Dr-PoGOは、様々な現実世界の自動車環境において、300km以上のデータの最先端のパフォーマンスを実証する。
私たちの実装は、https://github.com/utiasASRL/dr_pogo.comで公開されています。
関連論文リスト
- FD-SLAM: Fast Dense Radar-Inertial SLAM with Frequency-Domain Loop Closure and Pose Graph Optimization [0.0]
本稿では,高密度レーダ慣性SLAMシステムであるFD-SLAMについて述べる。
その結果、FD-SLAMはFD-RIOベースラインを改善し、現在の最先端レーダSLAM法と競合する性能を達成し、複数の駆動軌道に対して良好な回転精度を提供することを示した。
論文 参考訳（メタデータ） (2026-06-13T22:01:48Z) - RadarSim: Simulating Single-Chip Radar via Multimodal Neural Fields [49.41438378775056]
レーダーはカメラの理想的な補完であり、カメラは細かな角分解能を提供し、レーダーは悪天候下でメートル法的な深さと頑丈さを提供する。
RadarSimはレーダーのみの再構築よりもシャープな幾何学とドップラーレンジフレームを生成する。
論文 参考訳（メタデータ） (2026-05-25T21:03:40Z) - Dr-BA: Separable Optimization for Direct Radar Bundle Adjustment & Localization [12.318856176227383]
Dr-BAは、2D回転レーダーの強度画像を直接操作する、第一種レーダーバンドル調整フレームワークである。
Dr-BAは200km以上のオンロードデータで実証された最先端のレーダーベースBAとクロスセッションローカライゼーション性能を達成する。
論文 参考訳（メタデータ） (2026-05-07T23:41:16Z) - RadarSplat-RIO: Indoor Radar-Inertial Odometry with Gaussian Splatting-Based Radar Bundle Adjustment [15.74169173366249]
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。
論文 参考訳（メタデータ） (2026-04-15T05:26:46Z) - 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) - DRO: Doppler-Aware Direct Radar Odometry [11.042292216861762]
移動ロボットアプリケーションのためのレーダーによるセンシングのルネッサンスが進行中である。
スピン周波数変調連続波レーダのための新しいSE(2)オドメトリー手法を提案する。
提案手法は,公開データセットから250km以上のオンロードデータに対して検証されている。
論文 参考訳（メタデータ） (2025-04-29T01:20:30Z) - 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) - RobuRCDet: Enhancing Robustness of Radar-Camera Fusion in Bird's Eye View for 3D Object Detection [68.99784784185019]
暗い照明や悪天候はカメラの性能を低下させる。
レーダーは騒音と位置のあいまいさに悩まされる。
本稿では,BEVの頑健な物体検出モデルであるRobuRCDetを提案する。
論文 参考訳（メタデータ） (2025-02-18T17:17:38Z) - RadarOcc: Robust 3D Occupancy Prediction with 4D Imaging Radar [15.776076554141687]
3D占有に基づく知覚パイプラインは、かなり進歩した自律運転を持つ。
現在の方法では、LiDARやカメラの入力を3D占有率予測に頼っている。
本稿では,4次元イメージングレーダセンサを用いた3次元占有予測手法を提案する。
論文 参考訳（メタデータ） (2024-05-22T21:48:17Z) - Radar Fields: Frequency-Space Neural Scene Representations for FMCW Radar [62.51065633674272]
本稿では,アクティブレーダイメージア用に設計されたニューラルシーン再構成手法であるRadar Fieldsを紹介する。
提案手法では,暗黙的ニューラルジオメトリとリフレクタンスモデルを用いて,暗黙的な物理インフォームドセンサモデルを構築し,生のレーダ測定を直接合成する。
本研究では,密集した車両やインフラを備えた都市景観を含む,多様な屋外シナリオにおける手法の有効性を検証する。
論文 参考訳（メタデータ） (2024-05-07T20:44:48Z) - DART: Implicit Doppler Tomography for Radar Novel View Synthesis [9.26298115522881]
DARTは、レーダ固有の物理を用いて、レンジドップラー画像のための反射率および透過率に基づくレンダリングパイプラインを作成する、ニューラルラジアンスフィールドにインスパイアされた方法である。
最先端のベースラインと比較して、DARTはすべてのデータセットにまたがる新しいビューから優れたレーダレンジ・ドップラー画像を合成する。
論文 参考訳（メタデータ） (2024-03-06T17:54:50Z) - 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)
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。