論文の概要: RAMBA: 4D Radar Mapping by Bundle Adjustment

• arxiv url: http://arxiv.org/abs/2605.25041v1
• Date: Sun, 24 May 2026 12:38:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:18.668302
• Title: RAMBA: 4D Radar Mapping by Bundle Adjustment
• Title（参考訳）: RAMBA: バンドル調整による4次元レーダマッピング
• Authors: Jianzhu Huai, Yiwen Chen, Binliang Wang,
• Abstract要約: 本稿では,一貫した4次元レーダマッピングのためのレーダバンドル調整フレームワークであるRAMBAを提案する。 ColoRadarとSNAIL Radarデータセットの実験は、RAMBAがマップの一貫性を改善し、通常は軌道精度を高めることを示している。
• 参考スコア（独自算出の注目度）: 3.8603693015738205
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: 4D radar is increasingly attractive for robotic mapping because it provides range, azimuth, elevation, and Doppler measurements while remaining robust in adverse visibility conditions. Although recent radar and radar--inertial odometry methods have achieved promising online state estimation performance, offline global map refinement for 4D radar remains underexplored. This paper presents RAMBA, a radar bundle-adjustment framework for globally consistent 4D radar mapping. Given initial poses and radar frames from a radar--inertial odometry front-end, RAMBA jointly refines radar frame states using covariance-weighted geometric residuals, IMU preintegration factors, and radar ego-velocity constraints. The geometric residuals extend pairwise GICP to a multi-frame optimization by forming voxel-based correspondences across selected frames and weighting each residual with point covariances. To improve robustness against drift and revisits, RAMBA enforces temporal consistency during correspondence formation while explicitly supporting loop-closure constraints. Experiments on the ColoRadar and SNAIL Radar datasets show that RAMBA improves map consistency and usually enhances trajectory accuracy over radar--inertial odometry and pose-graph optimization baselines.
• Abstract（参考訳）: 4Dレーダーは航続距離、方位、高度、ドップラーの測定を提供しながら、視界の悪さを保っているため、ロボットマッピングにとってますます魅力的になっている。 近年のレーダとレーダ-慣性オドメトリー法は有望なオンライン状態推定性能を達成しているが、4Dレーダのオフライングローバルマップの改良は未定である。 本稿では,一貫した4次元レーダマッピングのためのレーダバンドル調整フレームワークであるRAMBAを提案する。 レーダーオドメトリーのフロントエンドから最初のポーズとレーダーフレームが与えられた後、RAMBAは共分散重み付き幾何残差、IMU事前積分係数、レーダーエゴ速度制約を用いてレーダーフレーム状態を共同で洗練する。 幾何残差は、選択されたフレーム間でボクセルベースの対応を形成し、各残差を点共分散で重み付けすることにより、多フレーム最適化にペアワイズGICPを拡張させる。 ドリフトとリビジョンに対する堅牢性を改善するため、RAMBAはループ閉鎖制約を明示的にサポートしながら、対応形成中の時間的一貫性を強制する。 ColoRadarとSNAIL Radarデータセットの実験は、RAMBAが地図の一貫性を改善し、通常はレーダー慣性オドメトリーとポーズグラフ最適化ベースラインよりも軌道精度を高めることを示している。

関連論文リスト

• 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)
• HyperDet: 3D Object Detection with Hyper 4D Radar Point Clouds [7.899148878601621]
  検出器に依存しないレーダーのみの3D検出フレームワークであるHyperDetを提案する。 標準的なLiDAR指向検出器のためのタスク対応のハイパー4Dレーダーポイントクラウドを構築している。 MAN TruckScenesでは、HyperDetはVoxelNeXtとCenterPointによる生のレーダー入力よりも一貫して改善されている。
  論文  参考訳（メタデータ） (2026-02-12T04:21:58Z)
• 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)
• Super4DR: 4D Radar-centric Self-supervised Odometry and Gaussian-based Map Optimization [13.79944715452315]
  そこで我々は,4次元レーダー中心のフレームワークであるSuper4DRを提案する。 Super4DRは、従来の自己監督手法よりも67%の性能向上を実現し、オードメトリーとほぼ一致し、LiDARとの地図品質格差を狭める。 実験の結果,Super4DRは従来の自己監督法に比べて67%の性能向上を達成し,オードメトリーとほぼ一致し,LiDARとの地図品質格差を狭めることがわかった。
  論文  参考訳（メタデータ） (2025-12-10T12:55:05Z)
• 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)
• 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)
• Semantic Segmentation of Radar Detections using Convolutions on Point Clouds [59.45414406974091]
  本稿では,レーダ検出を点雲に展開する深層学習手法を提案する。 このアルゴリズムは、距離依存クラスタリングと入力点雲の事前処理により、レーダ固有の特性に適応する。 我々のネットワークは、レーダポイント雲のセマンティックセグメンテーションのタスクにおいて、PointNet++に基づく最先端のアプローチよりも優れています。
  論文  参考訳（メタデータ） (2023-05-22T07:09:35Z)
• 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)
• RadarNet: Exploiting Radar for Robust Perception of Dynamic Objects [73.80316195652493]
  我々は、自動運転車の文脈における認識のためにRadarを利用する問題に取り組む。 我々は、LiDARとRadarの両方のセンサーを知覚に利用した新しいソリューションを提案する。 RadarNetと呼ばれる我々のアプローチは、ボクセルベースの早期核融合と注意に基づく後期核融合を特徴としている。
  論文  参考訳（メタデータ） (2020-07-28T17:15:02Z)

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。