論文の概要: Measurement-Calibrated Multi-Camera Fusion for Vision-Based Indoor Localization
- arxiv url: http://arxiv.org/abs/2606.13509v1
- Date: Thu, 11 Jun 2026 15:56:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-12 15:55:27.898613
- Title: Measurement-Calibrated Multi-Camera Fusion for Vision-Based Indoor Localization
- Title（参考訳）: ビジョンに基づく屋内位置計測のための測定校正マルチカメラフュージョン
- Authors: Mateo Toro Diz, Jonathan Hoss, Noah Klarmann,
- Abstract要約: 本研究は,マルチカメラデータ融合のキャリブレーションと最適化のために,単一カメラのローカライゼーション誤差を明示的に特徴付けることができるかどうかを検討する。
本稿では, 成分的誤差, 特にホモグラフィの校正, 人体検出, モーショントラッキングを分離する, 測定校正融合手法を提案する。
実験結果から,データ融合は単一カメラベースラインに比べて局所化精度が向上することが示された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Indoor vision-based localization systems are affected by detection noise, occlusions, and limited camera coverage, leading to uncertainty at multiple stages of the pipeline. While multi-camera data fusion is widely used to mitigate these issues, it is typically treated as a black-box component and evaluated solely end-to-end, obscuring its mechanistic contributions. To address this gap, this work investigates whether explicitly characterizing single-camera localization errors can be leveraged to calibrate and optimize multi-camera data fusion. We introduce a measurement-calibrated fusion approach that integrates component-wise error quantification, specifically isolating homography calibration, human detection, and motion tracking. A component-wise evaluation is conducted to quantify error contributions from homography calibration, human detection, and motion tracking. Experimental results show that data fusion improves localization accuracy compared to single-camera baselines. While measurement-calibrated fusion provides only limited improvement in absolute accuracy over standard fusion, it substantially reduces trajectory variance and improves motion smoothness, which are critical for applications requiring stable and continuous motion estimates. These results highlight the value of explicit error characterization when designing data fusion strategies for vision-based indoor positioning systems.
- Abstract（参考訳）: 屋内視覚に基づくローカライゼーションシステムは、検出ノイズ、閉塞、限定カメラカバレッジの影響を受け、パイプラインの複数段階で不確実性を引き起こす。
マルチカメラデータ融合はこれらの問題を緩和するために広く用いられているが、通常はブラックボックスコンポーネントとして扱われ、エンドツーエンドでのみ評価される。
このギャップに対処するために、単一カメラのローカライゼーション誤差を明示的に特徴付けることが、マルチカメラデータ融合の校正と最適化に有効かどうかを検討する。
本稿では, 成分的誤差定量化, 特にホモグラフィの校正, 人体検出, 動作追跡を分離する, 測定校正融合手法を提案する。
ホモグラフィの校正、人検出、モーショントラッキングからエラーコントリビューションを定量化するために、コンポーネントワイズ評価を行う。
実験結果から,データ融合は単一カメラベースラインに比べて局所化精度が向上することが示された。
測定校正核融合は標準核融合よりも絶対精度が向上するに留まるが、軌道の分散を著しく低減し、運動の滑らか性を向上させる。
これらの結果は、視覚に基づく屋内位置決めシステムのためのデータ融合戦略を設計する際に、明示的なエラー特徴付けの価値を強調した。
関連論文リスト
- Discovery of Hidden Miscalibration Regimes [52.452902154360565]
モデルは何らかの入力を体系的に過信し、他人を過信することがある。
対応する誤校正分野を定義し,それを推定するための診断フレームワークを提案する。
提案手法は,入力空間のキャリブレーションを意識した表現を学習し,学習幾何学におけるカーネルの平滑化による符号付き局所的誤校正を推定する。
論文 参考訳（メタデータ） (2026-05-13T13:07:50Z) - Robust Camera-to-Mocap Calibration and Verification for Large-Scale Multi-Camera Data Capture [18.22576487999375]
魚眼カメラの校正・検証システムについて述べる。
lollypopは、キャリブレーションデータから完全に独立した測定チェーンを通じて、高速で演算子に依存しない評価を提供する。
システムは運用データ収集パイプラインにデプロイされている。
論文 参考訳（メタデータ） (2026-04-23T23:37:00Z) - Stereo-Inertial Poser: Towards Metric-Accurate Shape-Aware Motion Capture Using Sparse IMUs and a Single Stereo Camera [54.967647497048205]
本稿では,距離精度と形状を考慮した3次元動作を推定するリアルタイムモーションキャプチャシステムであるStereo-Inertial Poserを提案する。
モノクラーRGBをステレオビジョンに置き換え、直接3次元キーポイント抽出と形状パラメータ推定を可能にした。
ドリフトフリーなグローバル翻訳を長い記録時間で生成し,フットスケート効果を低減させる。
論文 参考訳（メタデータ） (2026-03-02T17:46:38Z) - ICD-Net: Inertial Covariance Displacement Network for Drone Visual-Inertial SLAM [5.5217350574838875]
視覚-慣性SLAM性能を向上させる新しいフレームワークであるICD-Netを提案する。
従来のVINS-Fusionと比較して,軌道推定精度は有意に向上した。
ニューラルネットワークの強化は,SLAM劣化の複数の要因に効果的に対処できることを示す。
論文 参考訳（メタデータ） (2025-11-13T11:25:02Z) - What Really Matters for Learning-based LiDAR-Camera Calibration [50.2608502974106]
本稿では,学習に基づくLiDAR-Cameraキャリブレーションの開発を再考する。
我々は、広く使われているデータ生成パイプラインによる回帰ベースの手法の限界を識別する。
また,入力データ形式と前処理操作がネットワーク性能に与える影響についても検討する。
論文 参考訳（メタデータ） (2025-01-28T14:12:32Z) - A re-calibration method for object detection with multi-modal alignment bias in autonomous driving [6.672552664633057]
自律走行における多モード物体検出は、異なるセンサからの補完情報を融合させることにより、大きなブレークスルーを達成した。
LiDARやカメラなどのセンサーとの融合の校正は、以前の研究で常に正確であるはずだった。
実際には、キャリブレーション行列は車両が工場を出る際に固定されるが、機械的振動、道路の隆起、データラグはキャリブレーションバイアスを引き起こす可能性がある。
論文 参考訳（メタデータ） (2024-05-27T05:46:37Z) - Multi-Visual-Inertial System: Analysis, Calibration and Estimation [26.658649118048032]
マルチビジュアル・慣性システム(MVIS)の状態を推定し,センサ融合アルゴリズムを開発した。
我々は、関連する視覚慣性センサーの完全な校正に興味を持っている。
論文 参考訳（メタデータ） (2023-08-10T02:47:36Z) - EasyHeC: Accurate and Automatic Hand-eye Calibration via Differentiable
Rendering and Space Exploration [49.90228618894857]
我々は、マーカーレスでホワイトボックスであり、より優れた精度とロバスト性を提供するEasyHeCと呼ばれる手眼校正の新しいアプローチを導入する。
我々は,2つの重要な技術 – レンダリングベースのカメラポーズの最適化と整合性に基づく共同空間探索 – を利用することを提案する。
本評価は,合成および実世界のデータセットにおいて優れた性能を示す。
論文 参考訳（メタデータ） (2023-05-02T03:49:54Z) - Inferring bias and uncertainty in camera calibration [2.11622808613962]
本稿では,カメラキャリブレーションにおける基本的な誤差源を捉えるための評価手法を提案する。
バイアス検出法は,最小の系統誤差を明らかにし,校正装置の欠陥を明らかにする。
再サンプリングに基づく新しい不確実性推定器は,非理想的条件下での不確実性推定を可能にする。
カメラモデルに依存しない単純な不確実性指標を導出する。
論文 参考訳（メタデータ） (2021-07-28T16:49:39Z) - Learning Camera Miscalibration Detection [83.38916296044394]
本稿では,視覚センサ,特にRGBカメラの誤校正検出を学習するためのデータ駆動型アプローチに焦点を当てた。
コントリビューションには、RGBカメラの誤校正基準と、この基準に基づく新しい半合成データセット生成パイプラインが含まれる。
深層畳み込みニューラルネットワークをトレーニングすることにより、カメラ固有のパラメータの再校正が必要か否かを判断するパイプラインの有効性を実証する。
論文 参考訳（メタデータ） (2020-05-24T10:32:49Z)
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。