論文の概要: Dr-BA: Separable Optimization for Direct Radar Bundle Adjustment & Localization

• arxiv url: http://arxiv.org/abs/2605.07041v1
• Date: Thu, 07 May 2026 23:41:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 19:43:38.677487
• Title: Dr-BA: Separable Optimization for Direct Radar Bundle Adjustment & Localization
• Title（参考訳）: Dr-BA: Direct Radar Bundle Adjustment and Localizationのための分離可能な最適化
• Authors: Daniil Lisus, Cedric Le Gentil, Timothy D. Barfoot,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 12.318856176227383
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper introduces Dr-BA, a first-of-its-kind radar bundle adjustment (BA) framework that operates directly on 2D spinning radar intensity images. Unlike camera or lidar sensors, radar is largely unaffected by precipitation, making it a critical modality for autonomous systems that require all-weather robustness. Existing state estimation approaches using spinning radar typically extract sparse point clouds from range-azimuth-intensity measurements and apply point cloud alignment techniques to estimate vehicle motion, scene structure, or to localize within an existing map. In contrast, Dr-BA uses the full radar returns from multiple scans to jointly estimate dense maps and sensor poses. By formulating the problem as a separable optimization, we derive an efficient and general solution that decouples pose estimation from mapping. In addition to solving the BA problem, this formulation naturally extends to direct radar-only localization (DRL) within a previously built map. Dr-BA achieves state-of-the-art radar-based BA and cross-session localization performance, demonstrated on more than 200 km of on-road data across five distinct routes. Our implementation is publicly available at https://github.com/utiasASRL/dr_ba.
• Abstract（参考訳）: 本稿では,2次元回転レーダ強度画像上で直接動作可能な,第一種レーダバンドル調整(BA)フレームワークであるDr-BAを紹介する。 カメラやライダーと異なり、レーダーは降水の影響を受けていないため、全天候の堅牢性を必要とする自律システムにとって重要なモダリティとなっている。 スピンレーダを用いた既存の状態推定手法は、通常、射程方位強度の測定からスパース点雲を抽出し、車両の動き、シーン構造、または既存の地図内でのローカライズを推定するために点雲アライメント技術を適用する。 対照的に、Dr-BAは複数のスキャンから戻ってくる完全なレーダーを使って、密集した地図とセンサーのポーズを共同で推定する。 問題を分離可能な最適化として定式化することにより、マッピングからポーズ推定を分離する効率的で一般的な解を導出する。 BA問題の解決に加えて、この定式化は自然に、以前に構築された地図内の直接レーダー専用ローカライゼーション(DRL)にまで拡張される。 Dr-BAは、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し、5つの異なるルートにわたる200km以上のオンロードデータで実証した。 私たちの実装はhttps://github.com/utiasASRL/dr_ba.comで公開されています。

関連論文リスト

• 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)
• RLPR: Radar-to-LiDAR Place Recognition via Two-Stage Asymmetric Cross-Modal Alignment for Autonomous Driving [14.25906590501402]
  Radar-to-LiDARの位置認識は、既存のLiDARマップ内のレーダースキャンをローカライズすることができる。 RLPRは、単一チップ、走査、および4Dレーダと互換性のある堅牢なレーダー対LiDAR位置認識フレームワークである。 4つのデータセットの実験により、RLPRは強力なゼロショット一般化能力で認識精度を達成することが示された。
  論文  参考訳（メタデータ） (2026-03-09T03:28:44Z)
• 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)
• 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)
• Pointing the Way: Refining Radar-Lidar Localization Using Learned ICP Weights [10.613476233222347]
  高レベルスキャン情報に基づいてレーダポイントを重み付けする学習前処理ステップを含むICPベースのレーダライダーローカライゼーションを構築した。 重み付けネットワークをトレーニングするために,新しい,スタンドアローンでオープンソースの差別化可能なICPライブラリを提案する。
  論文  参考訳（メタデータ） (2023-09-15T19:37:58Z)
• 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)
• LiRaNet: End-to-End Trajectory Prediction using Spatio-Temporal Radar Fusion [52.59664614744447]
  本稿では,レーダセンサ情報と広範に使用されているライダーと高精細度(HD)マップを用いた新しい終端軌道予測手法LiRaNetを提案する。 自動車レーダーは、リッチで補完的な情報を提供し、より長い距離の車両検出と即時速度測定を可能にします。
  論文  参考訳（メタデータ） (2020-10-02T00:13:00Z)
• RaLL: End-to-end Radar Localization on Lidar Map Using Differentiable Measurement Model [14.155337185792279]
  ライダーマップ(RaLL)上でのレーダローカライゼーションのためのエンドツーエンドディープラーニングフレームワークを提案する。 RaLLは成熟ライダーマッピング技術を利用しており、レーダマッピングのコストを低減している。 提案システムは,英国におけるモデルトレーニングの一般化シナリオにおいても,90km以上の運転性能を実現する。
  論文  参考訳（メタデータ） (2020-09-15T13:13:38Z)

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。