論文の概要: FusionCore: A 23-State Unscented Kalman Filter for IMU, Wheel Encoder, GPS, and Visual SLAM Fusion in ROS 2
- arxiv url: http://arxiv.org/abs/2605.25239v1
- Date: Sun, 24 May 2026 19:49:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-26 19:50:19.039769
- Title: FusionCore: A 23-State Unscented Kalman Filter for IMU, Wheel Encoder, GPS, and Visual SLAM Fusion in ROS 2
- Title（参考訳）: FusionCore: ROS 2のIMU, Wheel Encoder, GPS, Visual SLAM Fusion用の23状態カルマンフィルタ
- Authors: Manan Kharwar,
- Abstract要約: FusionCoreはIMU、ホイールエンコーダのオドメトリー、GPS、Visual SLAMを融合したパッケージで、1つの100Hzのオドメトリーストリームにポーズする。
VSLAMのポーズフュージョンは、任意の視覚的オドメトリーやSLAMシステムでGPSによる操作を可能にする。
FusionCoreは12のシーケンスのうち10のシーケンスでAbsolute Trajectory Error(ATE)を低くする。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present FusionCore, an open-source ROS 2 sensor fusion package that fuses IMU, wheel encoder odometry, GPS, and Visual SLAM pose into a single 100 Hz odometry stream using a 23-state Unscented Kalman Filter (UKF). The 23rd state is an online estimate of the wheel encoder's systematic yaw rate bias, identified through GPS heading cross-covariance and subtracted during GPS blackouts to reduce heading drift in coast mode. FusionCore also estimates gyroscope and accelerometer biases as explicit filter states, handles GPS natively in ECEF without a separate coordinate projection node, applies per-sensor Mahalanobis chi-squared outlier gating calibrated to measurement degrees of freedom, and adapts sensor noise covariance automatically from the innovation sequence. VSLAM pose fusion enables GPS-denied operation with any visual odometry or SLAM system, including automatic recovery from map reinitialization. We evaluate against robot_localization on twelve full-length sequences (55-92 min each) from the NCLT public dataset. FusionCore achieves lower Absolute Trajectory Error (ATE) on ten of twelve sequences, with improvements ranging from 1.2x to 22.2x on winning sequences. The robot_localization UKF diverges numerically on all twelve sequences. FusionCore is available at https://github.com/manankharwar/fusioncore under the Apache 2.0 license.
- Abstract（参考訳）: IMU,ホイールエンコーダ・オドメトリー,GPS,ビジュアルSLAMを融合したオープンソースのROS2センサフュージョンパッケージであるFusionCoreは,23状態のアンセント・カルマンフィルタ(UKF)を用いて1つの100Hzオドメトリーストリームにポーズする。
23番目の状態は、車輪エンコーダの系統的なヨーレートバイアスをオンラインで推定し、GPS方向の共分散によって識別され、GPSブラックアウト中に減算され、海岸モードでの方向のドリフトを減らす。
FusionCoreはジャイロスコープと加速度計のバイアスを明示的なフィルタ状態として推定し、個別の座標投影ノードを使わずにECEFでGPSをネイティブに処理し、センサーごとのMahalanobis chi-squared outlier gatingを自由度測定に調整し、イノベーションシーケンスから自動的にセンサノイズの共分散を適用する。
VSLAMのポーズフュージョンは、地図の再初期化から自動的に回復するなど、任意の視力計測やSLAMシステムでGPSによる操作を可能にする。
NCLT公開データセットから,12の完全長配列(55～92分)のロボット_ローカライズに対して評価を行った。
FusionCoreは12のシーケンスのうち10のシーケンスでAbsolute Trajectory Error(ATE)を低くする。
ロボット_ローカライゼーションUKFは、12のシーケンスすべてで数値的に発散する。
FusionCoreはApache 2.0ライセンスの下でhttps://github.com/manankharwar/fusioncoreで入手できる。
関連論文リスト
- Intelligent Truck Matching in Full Truckload Shipments using Ping2Hex approach [0.13854111346209866]
欠落または破損した車両識別子は、従来の整合性アプローチを防ぎ、視認性のない出荷を継続する。
本稿では,確率的ランキング問題としてマッチングを定式化する機械学習システムであるIntelligent Truck Matching (ITM) 2.0を提案する。
ITM 2.0は北米では26ポイント、ヨーロッパでは14ポイントの精度向上を実現し、カバー範囲は倍増した。
論文 参考訳（メタデータ） (2026-05-08T13:40:53Z) - Unified Map Prior Encoder for Mapping and Planning [25.536411411026418]
UMPE(Unified Map Prior)は、4つの事前のサブセットを取り込み、マッピングと計画の両方にBEV機能を組み込むことができる。
UMPE は軌道誤差を平均で 0.72 から 0.42 m L2 (-0.30 m) に減少させ、衝突速度は 0.22% から 0.12% (-0.10%) に低下させる
これらの結果から,不均一なマップ事前の統一的アライメント対応処理により,より優れたマッピングとより良い計画が得られた。
論文 参考訳（メタデータ） (2026-05-04T16:01:30Z) - GPS-IMU Sensor Fusion for Reliable Autonomous Vehicle Position Estimation [0.0]
慣性測定ユニット(IMU)は加速度や回転の変化などの相対的な運動情報を提供する。
GPSとは異なり、IMUは外部の信号に頼らず、GPSで識別された環境で有用である。
GPSとIMUを融合させることは、自動運転車のナビゲーションシステムの信頼性と精度を高めるために重要である。
論文 参考訳（メタデータ） (2024-05-13T19:05:36Z) - Leveraging Driver Field-of-View for Multimodal Ego-Trajectory Prediction [69.29802752614677]
RouteFormerは、GPSデータ、環境コンテキスト、運転者の視野を組み合わせた新しいエゴ軌道予測ネットワークである。
データ不足に対処し、多様性を高めるために、同期運転場と視線データに富んだ都市運転シナリオのデータセットであるGEMを導入する。
論文 参考訳（メタデータ） (2023-12-13T23:06:30Z) - 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) - The LuViRA Dataset: Synchronized Vision, Radio, and Audio Sensors for Indoor Localization [41.58739817444644]
データセットには、カラー画像、対応する深度マップ、慣性測定ユニット(IMU)読み取り、5Gの大規模マルチインプットとMIMO(Multiple-output)テストベッドとユーザ機器のチャネル応答が含まれる。
これらのセンサーを同期させて、すべてのデータが同時に記録されるようにします。
このデータセットの主な目的は、ローカライゼーションタスクに最もよく使用されるセンサーとのセンサー融合の研究を可能にすることである。
論文 参考訳（メタデータ） (2023-02-10T15:12:40Z) - StrongSORT: Make DeepSORT Great Again [19.099510933467148]
我々は、古典的なトラッカーであるDeepSORTを再検討し、検出、埋め込み、関連付けといった様々な側面からアップグレードする。
結果、StrongSORTと呼ばれるトラッカーは、MOT17とMOT20に新しいHOTAとIDF1レコードをセットする。
追跡結果をさらに改善するために,軽量かつプラグアンドプレイのアルゴリズムを2つ提案する。
論文 参考訳（メタデータ） (2022-02-28T02:37:19Z) - A Sensor Fusion-based GNSS Spoofing Attack Detection Framework for
Autonomous Vehicles [4.947150829838588]
本稿では,センサフュージョンをベースとしたGNSS(Global Navigation Satellite System)スプーフィング攻撃検出フレームワークを提案する。
複数の低コストの車載センサーからのデータを融合し、リカレントニューラルネットワークモデルに入力する。
我々は,k-Nearest Neighbors (k-NN) と Dynamic Time Warping (DTW) のアルゴリズムを組み合わせて,左旋回と右旋回を検出・分類した。
論文 参考訳（メタデータ） (2021-08-19T11:59:51Z) - Detection of gravitational-wave signals from binary neutron star mergers
using machine learning [52.77024349608834]
本稿では,重力波検出器の時系列ひずみデータを用いたニューラルネットワークに基づく機械学習アルゴリズムを提案する。
信号対雑音比が25未満の信号に対する感度は6因子改善した。
保守的な推定は、我々のアルゴリズムが信号の到着からアラート発生までの平均10.2秒の遅延を発生させることを示している。
論文 参考訳（メタデータ） (2020-06-02T10:20:11Z) - DR-SPAAM: A Spatial-Attention and Auto-regressive Model for Person
Detection in 2D Range Data [81.06749792332641]
本研究では,異なるタイミングで得られたスキャンを組み合わせ,代替戦略を用いた人物検出ネットワークを提案する。
DR-SPAAMは、バックボーンネットワークから中間機能をテンプレートとして保持し、新しいスキャンが利用可能になったときにテンプレートをリカレントに更新する。
DROWデータセットでは,提案手法は既存の最先端技術よりも約4倍高速である。
論文 参考訳（メタデータ） (2020-04-29T11:01:44Z)
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。