論文の概要: Heterogeneous LiDAR Early Fusion and Learned Re-Ranking Strategy for Robust Long-Term Place Recognition in Unstructured Environments
- arxiv url: http://arxiv.org/abs/2606.13503v1
- Date: Thu, 11 Jun 2026 15:52:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-12 15:55:27.895562
- Title: Heterogeneous LiDAR Early Fusion and Learned Re-Ranking Strategy for Robust Long-Term Place Recognition in Unstructured Environments
- Title（参考訳）: 不均一LiDAR初期核融合と非構造環境におけるロバストな長期位置認識のための学習的再配置戦略
- Authors: Judith Vilella-Cantos, Juan José Cabrera, Mónica Ballesta, David Valiente, Luis Payá,
- Abstract要約: 我々は、2つのセンサからの異種LiDARデータの早期融合と、推論時間における学習的再ランク戦略を組み合わせた新しいアプローチであるMinkUNeXt-VINE++を提案する。
以上の結果から,MinkUNeXt-VINE++は単一センサアプローチや最先端手法と比較して位置認識性能を著しく向上することが示された。
- 参考スコア（独自算出の注目度）: 0.9674842491772065
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Robust localization in unstructured environments, such as agricultural fields, is a critical challenge for autonomous systems. LiDAR sensors provide detailed 3D information about the environment and are invariant to lighting conditions. For this reason, LiDAR-based place recognition methods have gained significant attention. In this paper, we propose MinkUNeXt-VINE++, a novel approach that combines early fusion of heterogeneous LiDAR data from two sensors (Livox Mid-360 and Velodyne VLP-16) and a learned re-ranking strategy in inference time. This fusion leverages the strengths of each sensor to provide a more comprehensive representation of the environment. Additionally, the re-ranking approach is particularly important in repetitive environments, such as vineyards, as finding true positives is a major challenge. We evaluated our approach using the TEMPO-VINE dataset, which provides heterogeneous LiDAR data in vineyard environments across different phenological stages. Our results demonstrate that MinkUNeXt-VINE++ significantly improves place recognition performance compared to single-sensor approaches and state-of-the-art methods. MinkUNeXt-VINE++ achieves a 20% improvement in the Recall@1 metric compared to single-sensor approaches, and +30% including re-ranking. The code of our method is publicly available for reproduction.
- Abstract（参考訳）: 農業など非構造環境におけるロバストなローカライゼーションは、自律システムにとって重要な課題である。
LiDARセンサーは環境に関する詳細な3D情報を提供し、照明条件に不変である。
このため,LiDARを用いた位置認識手法が注目されている。
本稿では,2つのセンサ(Livox Mid-360とVelodyne VLP-16)からの異種LiDARデータの早期融合と,推論時間における学習的再ランク戦略を組み合わせた,MinkUNeXt-VINE++を提案する。
この融合は各センサの強度を活用し、より包括的な環境表現を提供する。
さらに、再ランク付けされたアプローチは、ブドウ園のような反復的な環境において特に重要であり、真の正の発見は大きな課題である。
我々は,異なる現象段階のブドウ園環境における不均一なLiDARデータを提供するTEMPO-VINEデータセットを用いて,我々のアプローチを評価した。
以上の結果から,MinkUNeXt-VINE++は単一センサアプローチや最先端手法と比較して位置認識性能を著しく向上することが示された。
MinkUNeXt-VINE++は、シングルセンサーアプローチと比較してRecall@1メトリックが20%改善され、再ランクを含め+30%になった。
私たちのメソッドのコードは、パブリックに再生できます。
関連論文リスト
- FLORO: A Multimodal Geospatial Foundation Model for Ecological Remote Sensing Across Sensors and Scales [65.4821703903285]
FLOROは、小さなが高度に多様なリモートセンシングコーパスから転送可能な表現を学習するために設計されたマルチモーダル基礎モデルである。
FLOROは、Sentinel-1、Sentinel-2、SkySAT画像、標高、UAV由来のデータとの不均一な組み合わせによるマスク付きオートエンコーディングを用いて事前訓練される。
我々は、シーン分類、セグメンテーション、回帰タスクにまたがる凍結エンコーダプロトコルを用いて、PANGAEAベンチマーク上でFLOROを評価した。
論文 参考訳（メタデータ） (2026-05-27T08:55:54Z) - HortiMulti: A Multi-Sensor Dataset for Localisation and Mapping in Horticultural Polytunnels [9.014369967537482]
HortiMultiは、商業用イチゴとラズベリーのポリタンネルで、成長期全体にわたって収集されたクロスシーズンデータセットである。
我々は、時間同期生測、校正ファイル、参照軌跡、視覚、LiDAR、マルチセンサーSLAMのためのベースラインベンチマークをリリースする。
論文 参考訳（メタデータ） (2026-03-20T17:26:19Z) - Low Cost, High Efficiency: LiDAR Place Recognition in Vineyards with Matryoshka Representation Learning [2.5072568692549964]
我々は、ブドウ園環境における最先端の手法を超越した、軽量でディープラーニングベースの手法であるMinkUNeXt-VINEを提案する。
提案手法は,低コストでスパースなLiDAR入力と低次元出力で高効率な実時間シナリオを実現するため,性能の向上を優先する。
その結果,提案手法により得られたトレードオフ出力の効率性や,低コストかつ低解像度な入力データに対する堅牢な性能が示された。
論文 参考訳（メタデータ） (2026-01-26T17:38:56Z) - OPAL: Visibility-aware LiDAR-to-OpenStreetMap Place Recognition via Adaptive Radial Fusion [42.38955435522421]
OPALは、OpenStreetMap(OSM)を軽量で最新のものとして活用する、LiDARの位置認識のための新しいフレームワークである。
私たちの重要なイノベーションは、疎いLiDARスキャンと、慎重に設計された2つのコンポーネントを通して構造化されたOSMデータのドメイン格差を埋めることにあります。
KITTIとKITTI-360データセットの実験はOPALの優位性を示し、トップ1検索マッチの1m閾値で15.98%高いリコールを達成した。
論文 参考訳（メタデータ） (2025-04-27T14:39:26Z) - Is Your LiDAR Placement Optimized for 3D Scene Understanding? [8.233185931617122]
一般的な運転データセットは、主に単一LiDARシステムを使用し、悪条件を伴わないデータを収集する。
そこで我々は,LiDAR配置最適化,データ生成,下流評価を含む全サイクルパイプラインであるPlace3Dを提案する。
各種気象・センサ故障条件下でのLiDARセマンティックセマンティックセグメンテーションと3次元物体検出タスクにおいて, 例外的な結果を示す。
論文 参考訳（メタデータ） (2024-03-25T17:59:58Z) - AlignMiF: Geometry-Aligned Multimodal Implicit Field for LiDAR-Camera
Joint Synthesis [98.3959800235485]
近年,複数のモダリティを単一のフィールド内で探索する手法がいくつか存在しており,異なるモダリティから暗黙的な特徴を共有して再現性能を向上させることを目的としている。
本研究では,LiDAR-カメラ共同合成の多モード暗黙的場に関する包括的解析を行い,その根底にある問題はセンサの誤配にあることを示した。
幾何学的に整合した多モード暗黙の場であるAlignMiFを導入し,2つのモジュール,Geometry-Aware Alignment (GAA) とShared Geometry Initialization (SGI)を提案する。
論文 参考訳（メタデータ） (2024-02-27T13:08:47Z) - Joint Sensing, Communication, and AI: A Trifecta for Resilient THz User
Experiences [118.91584633024907]
テラヘルツ(THz)無線システムに対する拡張現実(XR)体験を最適化するために、新しい共同センシング、通信、人工知能(AI)フレームワークを提案する。
論文 参考訳（メタデータ） (2023-04-29T00:39:50Z) - Inertial Hallucinations -- When Wearable Inertial Devices Start Seeing
Things [82.15959827765325]
環境支援型生活(AAL)のためのマルチモーダルセンサフュージョンの新しいアプローチを提案する。
我々は、標準マルチモーダルアプローチの2つの大きな欠点、限られた範囲のカバレッジ、信頼性の低下に対処する。
我々の新しいフレームワークは、三重項学習によるモダリティ幻覚の概念を融合させ、異なるモダリティを持つモデルを訓練し、推論時に欠落したセンサーに対処する。
論文 参考訳（メタデータ） (2022-07-14T10:04:18Z) - Benchmarking the Robustness of LiDAR-Camera Fusion for 3D Object
Detection [58.81316192862618]
自律運転における3D知覚のための2つの重要なセンサーは、カメラとLiDARである。
これら2つのモダリティを融合させることで、3次元知覚モデルの性能を大幅に向上させることができる。
我々は、最先端の核融合法を初めてベンチマークした。
論文 参考訳（メタデータ） (2022-05-30T09:35:37Z) - 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)
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。