Fugu-MT 論文翻訳(概要): EllipseLIO: Adaptive LiDAR Inertial Odometry with an Ellipsoid Representation

論文の概要: EllipseLIO: Adaptive LiDAR Inertial Odometry with an Ellipsoid Representation

arxiv url: http://arxiv.org/abs/2605.21150v1
Date: Wed, 20 May 2026 13:24:58 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-21 19:19:56.692992
Title: EllipseLIO: Adaptive LiDAR Inertial Odometry with an Ellipsoid Representation
Title（参考訳）: EllipseLIO:Ellipsoid表現を用いた適応LiDAR慣性オドメトリー
Authors: Rowan Border, Margarita Chli,
Abstract要約: LiDAR慣性オドメトリーは、外的位置決め(GPSなど)に頼らずに移動する必要がある多くの移動ロボットにとって重要な要素である。異なる環境で自律的に動作し、異質なLiDARセンサーを持つプラットフォームは、人間の介入なしにこれらの異なるシナリオに適応できるLOOアプローチを必要とする。本稿では,LiDARスキャンのフィルタリング手法と,シナリオ固有のチューニングを必要とせずにセンサ機能や環境に適応する登録手法を用いて,シナリオ間を一般化するリアルタイムLIO手法であるEllipseLIOを提案する。
参考スコア（独自算出の注目度）: 5.82355307526372
License: http://creativecommons.org/licenses/by/4.0/
Abstract: LiDAR Inertial Odometry (LIO) is a critical component for many mobile robots that need to navigate without relying on external positioning (e.g., GPS). Platforms that operate autonomously in different environments and with heterogeneous LiDAR sensors require a LIO approach that can adapt to these different scenarios without human intervention. Existing LIO approaches can typically provide reliable and accurate odometry in scenarios with similar environments and sensors when suitably tuned. However, many approaches struggle to retain robust odometry across heterogeneous environments and sensors while using a consistent configuration. This paper presents EllipseLIO, a real-time LIO approach that generalises between scenarios by using methods for LiDAR scan filtering and registration that adapt to the sensor capabilities and environment without requiring scenario-specific tuning. Experiments with EllipseLIO and state-of-the-art LIO approaches on five datasets with diverse and challenging scenarios demonstrate that EllipseLIO is the best-performing approach overall. It achieves a 38% lower odometry error on average than the second-best approach and is the only approach that does not diverge in any experiment. An open-source version of EllipseLIO will be available at github.com/v4rl-ucy/ellipselio.
Abstract（参考訳）: LiDAR慣性オドメトリー(LiDAR Inertial Odometry, LIO)は、外的位置決め(GPSなど)に頼らずに移動する必要がある多くの移動ロボットにとって重要なコンポーネントである。異なる環境と異種LiDARセンサーで自律的に動作するプラットフォームは、人間の介入なしにこれらの異なるシナリオに適応できるLOOアプローチを必要とする。既存のLOOアプローチは、適度に調整された場合に、同様の環境やセンサーを持つシナリオにおいて、信頼性が高く正確なオドメトリーを提供するのが一般的である。しかし、多くのアプローチは、一貫した構成を用いて、異種環境やセンサーをまたいだ堅牢な計測を維持するのに苦労している。本稿では,LiDARスキャンのフィルタリング手法と,シナリオ固有のチューニングを必要とせずにセンサ機能や環境に適応する登録手法を用いて,シナリオ間を一般化するリアルタイムLIO手法であるEllipseLIOを提案する。 EllipseLIOと最先端のLOOアプローチによる、多様で困難なシナリオを持つ5つのデータセットに対する実験は、EllipseLIOが全体として最高のパフォーマンスのアプローチであることを実証している。これは第2のベストアプローチよりも平均して38%低いオドメトリー誤差を達成し、いかなる実験にも発散しない唯一のアプローチである。 EllipseLIOのオープンソース版はgithub.com/v4rl-ucy/ellipselioで入手できる。

関連論文リスト

Benchmarking Visual Feature Representations for LiDAR-Inertial-Visual Odometry Under Challenging Conditions [11.85572971097983]
本稿では,直接測光手法と記述子に基づく特徴マッチングを統合するハイブリッド手法を提案する。実験の結果,提案手法は従来のスパース法よりも優れていることがわかった。
論文参考訳（メタデータ） (2026-03-19T07:56:49Z)
GenZ-LIO: Generalizable LiDAR-Inertial Odometry Beyond Indoor--Outdoor Boundaries [8.789905887174209]
光検出・測光(LiDAR)慣性オドメトリーは、様々な場面における自律ナビゲーションの正確な位置決めとマッピングを可能にする。屋内環境と屋外環境の両方で一般化可能なフレームワークであるGenZ-LIOを提案する。
論文参考訳（メタデータ） (2026-03-17T09:05:01Z)
Accurate Calibration and Robust LiDAR-Inertial Odometry for Spinning Actuated LiDAR Systems [40.38362009762446]
この手紙は、デナヴィト=ハルテンベルク条約に基づいて、標的のないLiDARモーターキャリブレーション(LM-Calibr)を提示する。様々な配置のLiDARモーターシステムの校正をサポートする。 EVA-LIOは空間スケールに応じてダウンサンプルレートとマップ解像度を適応的に選択する。
論文参考訳（メタデータ） (2026-01-22T13:28:09Z)
Grounded Test-Time Adaptation for LLM Agents [75.62784644919803]
大規模言語モデル(LLM)ベースのエージェントは、新規で複雑な環境への一般化に苦慮している。環境特化情報を活用することで, LLMエージェントを適応するための2つの戦略を提案する。
論文参考訳（メタデータ） (2025-11-06T22:24:35Z)
Sample-Efficient Online Learning in LM Agents via Hindsight Trajectory Rewriting [92.57796055887995]
本稿では,言語モデルエージェントの強化学習から後視体験のリプレイに適応するプロンプトフレームワークECHOを紹介する。 ECHOは失敗した試みで達成できた代替目標のために最適化された軌道を生成する。我々は、テキストベースのナビゲーションと計画ベンチマークであるXMiniGridのステートフルバージョンと、協調的な情報収集企業シミュレーションであるPeopleJoinQAについて、ECHOを評価した。
論文参考訳（メタデータ） (2025-10-11T18:11:09Z)
Open-set Anomaly Segmentation in Complex Scenarios [88.11076112792992]
本稿では,複雑なシナリオにおけるオープンセット異常セグメンテーションのベンチマークであるComsAmyを紹介する。 ComsAmyは、幅広い悪天候、動的な運転環境、様々な異常タイプを含む。本稿では,エネルギーとエントロピーの相補的情報を統合する新しいエネルギ-エントロピー学習(EEL)戦略を提案する。
論文参考訳（メタデータ） (2025-04-28T12:00:10Z)
Environment-Driven Online LiDAR-Camera Extrinsic Calibration [19.715280035570707]
環境駆動型オンラインキャリブレーション手法EdO-LCECについて紹介する。従来のターゲットフリーの手法とは異なり、EdO-LCECはアプリケーション環境の特徴密度を推定するために一般化可能なシーン判別器を使用している。 LiDARとカメラのクロスモーダルな特徴マッチングの課題を克服するために,デュアルパス対応マッチングを導入する。
論文参考訳（メタデータ） (2025-02-02T13:52:35Z)
Geometric-Averaged Preference Optimization for Soft Preference Labels [78.2746007085333]
LLMを人間の嗜好と整合させる多くのアルゴリズムは、人間の嗜好は二進的かつ決定論的であると仮定する。本研究では,分散ソフトな選好ラベルを導入し,損失関数におけるLLM出力確率の重み付き幾何平均を用いて直接選好最適化(DPO)を改善する。
論文参考訳（メタデータ） (2024-09-10T17:54:28Z)
Energy-Guided Continuous Entropic Barycenter Estimation for General Costs [95.33926437521046]
任意のOTコスト関数に対して連続的エントロピーOT(EOT)バリセンタを近似する新しいアルゴリズムを提案する。本手法は、弱いOTに基づくEOT問題の二重再構成に基づいている。
論文参考訳（メタデータ） (2023-10-02T11:24:36Z)
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)
DMLO: Deep Matching LiDAR Odometry [24.245702652854217]
Deep Matching LiDAR Odometry (DMLO) は,LiDAR odometry タスクに適用可能な特徴マッチング手法を実現する,新しい学習ベースのフレームワークである。我々のフレームワークは既存の学習手法を劇的に上回り、最先端の幾何学的アプローチに匹敵することを示す。
論文参考訳（メタデータ） (2020-04-08T03:52:49Z)

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。