論文の概要: A Decentralized LiDAR-SLAM System with Certifiably Optimal Pose Graph Optimization
- arxiv url: http://arxiv.org/abs/2605.25051v1
- Date: Sun, 24 May 2026 12:50:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-26 19:50:18.731591
- Title: A Decentralized LiDAR-SLAM System with Certifiably Optimal Pose Graph Optimization
- Title（参考訳）: 最適ポースグラフ最適化を用いた分散LiDAR-SLAMシステム
- Authors: Baoshan Song, Feng Huang, Li-Ta Hsu,
- Abstract要約: 本稿では,PGOバックエンドを組み込んだ分散化LiDAR-SLAMシステムを提案する。
提案手法は,現状のSLAMと比較して,軌道RMSEを最大48.9%向上させ,優れたロバスト性を実現することを示す。
- 参考スコア（独自算出の注目度）: 9.471365552299678
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Decentralized multi-robot LiDAR-SLAM is essential for collaborative missions but faces significant challenges in maintaining global consistency. Existing frameworks predominantly rely on local-search optimization or one-time coordinate alignment, which are prone to suboptimal convergence and long-term inconsistency, especially in large-scale or degenerate environments. To address these limitations, this paper presents the first decentralized LiDAR-SLAM system that integrates a state-of-the-art certifiably optimal Pose Graph Optimization (PGO) backend. By leveraging the Riemannian Block Coordinate Descent (RBCD) algorithm, our system ensures globally consistent trajectory estimation without requiring accurate initial guesses. Experimental results demonstrate that the proposed framework achieves superior robustness, improving trajectory RMSE by up to 48.9% compared to the state-of-the-art DiSCo-SLAM.
- Abstract（参考訳）: 分散マルチロボットLiDAR-SLAMは共同ミッションには不可欠だが、グローバルな一貫性を維持する上で大きな課題に直面している。
既存のフレームワークは主に局所探索最適化やワンタイム座標アライメントに依存しており、特に大規模または退化環境では、最適下限収束と長期的不整合の傾向にある。
これらの制約に対処するため,本稿では,最先端のPGOバックエンドを統合した最初の分散LiDAR-SLAMシステムを提案する。
本稿では,Riemannian Block Coordinate Descent (RBCD)アルゴリズムを活用することで,正確な初期推定を必要とせず,一貫した軌道推定を実現する。
実験により,提案フレームワークは,最先端のDiSCo-SLAMと比較して,軌道RMSEを最大48.9%向上させることができた。
関連論文リスト
- Learning to Act and Cooperate for Distributed Black-Box Consensus Optimization [4.633828400918887]
分散ブラックボックスコンセンサス最適化はマルチエージェントシステムにおける基本的な問題である。
本稿では,リソース適応協調フレームワークを活性化するための段階的認知スケジューリング戦略を提案する。
論文 参考訳（メタデータ） (2026-05-01T14:30:38Z) - HAD: Combining Hierarchical Diffusion with Metric-Decoupled RL for End-to-End Driving [51.268878540511054]
我々は階層的拡散政策を備えたエンドツーエンドの計画フレームワークであるHADを提案する。
我々は,NAVSIMとHUGSIMの両方でHADが新たな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） (2026-04-04T04:12:47Z) - Taming the Instability: A Robust Second-Order Optimizer for Federated Learning over Non-IID Data [77.19117648492104]
We present Federated Robust Curvature Optimization (FedRCO), a novel second-order optimization framework designed to improve convergence speed and reduce communication cost。
FedRCOは、効率的な近似曲率と証明可能な安定性メカニズムを統合することで、これらの課題に対処する。
我々は,FedRCOが,最先端の1次法と2次法のどちらよりも高い精度と高速な収束を実現しつつ,多種多様な非IIDシナリオに対して優れたロバスト性を実現することを示す。
論文 参考訳（メタデータ） (2026-03-30T11:37:46Z) - Decentralized Spatial Reuse Optimization in Wi-Fi: An Internal Regret Minimization Approach [40.02689778290504]
本稿では,後悔マッチングに基づく分散学習アルゴリズムを提案する。
内部的後悔の最小化は、競合するエージェントをCorrelated Equilibria (CE) へ誘導し、明示的なコミュニケーションなしに協調を効果的に模倣する。
結果は、スケーラブルな分散ソリューションの未発表の可能性を確認します。
論文 参考訳（メタデータ） (2026-02-09T10:10:18Z) - AI-Augmented Density-Driven Optimal Control (D2OC) for Decentralized Environmental Mapping [0.0]
本稿では,センサと通信の制限下でのマルチエージェント環境マッピングのためのAI拡張型分散フレームワークを提案する。
提案手法では, エージェントが局所密度推定を反復的に洗練できる適応的, 自己補正機構を提案する。
論文 参考訳（メタデータ） (2026-01-28T23:55:02Z) - SALPA: Spaceborne LiDAR Point Adjustment for Enhanced GEDI Footprint Geolocation [0.052498055901649014]
地すべりの不確実性は、炭素在庫評価を含む森林プロファイルの推定を損なう。
SALPAは,3つの最適化パラダイムと5つの距離メトリクスを統合したマルチアルゴリズム最適化フレームワークである。
対照的な地域--日光, 平地--
論文 参考訳（メタデータ） (2025-11-18T03:05:30Z) - Stability and Generalization for Distributed SGDA [70.97400503482353]
分散SGDAのための安定性に基づく一般化分析フレームワークを提案する。
我々は, 安定性の誤差, 一般化ギャップ, 人口リスクの包括的分析を行う。
理論的結果から,一般化ギャップと最適化誤差のトレードオフが明らかになった。
論文 参考訳（メタデータ） (2024-11-14T11:16:32Z) - On the Effective Usage of Priors in RSS-based Localization [56.68864078417909]
本稿では、受信信号強度(RSS)指紋と畳み込みニューラルネットワークに基づくアルゴリズムLocUNetを提案する。
本稿では,密集市街地における局所化問題について検討する。
まず,LocUNetがRx位置やRxの事前分布を学習し,トレーニングデータから送信者(Tx)アソシエーションの好みを学習し,その性能を評価できることを示す。
論文 参考訳（メタデータ） (2022-11-28T00:31:02Z) - Momentum Contrastive Autoencoder: Using Contrastive Learning for Latent
Space Distribution Matching in WAE [51.09507030387935]
Wasserstein autoencoder (WAE) は、2つの分布が一致することは、このAEの潜在空間が予め指定された事前分布と一致するという制約の下で、単純なオートエンコーダ(AE)損失を最小限にすることと同値であることを示している。
本稿では,この問題を解決する手段として,自己指導型表現学習に有効であることを示すコントラスト学習フレームワークを提案する。
WAEの損失を最適化するために、対照的な学習フレームワークを使用することで、WAEの一般的なアルゴリズムと比較して、より高速に収束し、より安定した最適化が達成できることを示す。
論文 参考訳（メタデータ） (2021-10-19T22:55:47Z) - Pushing the Envelope of Rotation Averaging for Visual SLAM [69.7375052440794]
視覚SLAMシステムのための新しい最適化バックボーンを提案する。
従来の単分子SLAMシステムの精度, 効率, 堅牢性を向上させるために, 平均化を活用している。
我々のアプローチは、公開ベンチマークの最先端技術に対して、同等の精度で最大10倍高速に表示することができる。
論文 参考訳（メタデータ） (2020-11-02T18:02:26Z)
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。