Fugu-MT 論文翻訳(概要): FD-SLAM: Fast Dense Radar-Inertial SLAM with Frequency-Domain Loop Closure and Pose Graph Optimization

論文の概要: FD-SLAM: Fast Dense Radar-Inertial SLAM with Frequency-Domain Loop Closure and Pose Graph Optimization

arxiv url: http://arxiv.org/abs/2606.15491v1
Date: Sat, 13 Jun 2026 22:01:48 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-16 16:21:33.658299
Title: FD-SLAM: Fast Dense Radar-Inertial SLAM with Frequency-Domain Loop Closure and Pose Graph Optimization
Title（参考訳）: FD-SLAM:周波数領域ループクロージャとポースグラフ最適化を用いた高速高密度レーダ慣性SLAM
Authors: Nader J. Abu-Alrub, Nathir A. Rawashdeh,
Abstract要約: 本稿では,高密度レーダ慣性SLAMシステムであるFD-SLAMについて述べる。その結果、FD-SLAMはFD-RIOベースラインを改善し、現在の最先端レーダSLAM法と競合する性能を達成し、複数の駆動軌道に対して良好な回転精度を提供することを示した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Radar SLAM is attractive for autonomous ground vehicles operating in visually degraded environments, however, scanning radars are noisy, have low scanning rates, and their measurements are challenging to match reliably over long trajectories. This paper presents FD-SLAM, a fast dense radar-inertial SLAM system that extends dense radar-inertial odometry with frequency-domain loop closure and pose graph optimization. The proposed method preserves an image-like structure of scanning radar measurements by using a compact frequency-domain polar descriptor for loop-candidate retrieval and a multi-stage verification pipeline based on temporal filtering, phase-correlation screening, scan-alignment similarity, and geometric consistency checks. Verified loop closures are added as non-sequential constraints in an SE(2) pose graph together with radar-inertial odometry factors. FD-SLAM is evaluated on a publicly available dataset using standard KITTI evaluation metrics. The results show that FD-SLAM improves FD-RIO baseline, achieves competitive performance against current state-of-the-art radar SLAM methods, and provides favorable rotational accuracy across multiple evaluated driving trajectories. Runtime analysis further indicates that the radar-inertial front-end operates above the radar sampling rate on a CPU-only setup, while loop closure detection and graph optimization remain suitable for parallel background execution.
Abstract（参考訳）: レーダーSLAMは、視覚的に劣化した環境で動く自動運転車にとって魅力的なものだが、スキャニングレーダーはうるさく、走査速度は低く、長い軌道に対して確実に一致させることは困難である。本稿では,高密度レーダ慣性SLAMシステムであるFD-SLAMについて述べる。提案手法は、ループ候補探索のためのコンパクトな周波数領域極ディスクリプタと、時間的フィルタリング、位相相関スクリーニング、走査配向類似性、幾何整合性チェックに基づく多段階検証パイプラインを用いて、走査レーダ計測のイメージライクな構造を保存する。証明されたループ閉包は、SE(2)ポーズグラフにおける非逐次制約としてレーダー慣性オドメトリー因子と共に付加される。 FD-SLAMは、標準KITTI評価指標を用いて、公開データセットで評価される。その結果、FD-SLAMはFD-RIOベースラインを改善し、現在の最先端レーダSLAM法と競合する性能を達成し、複数の評価駆動軌道に対して良好な回転精度を提供することを示した。実行時解析により、レーダ慣性フロントエンドは、CPUのみのセットアップでレーダサンプリングレート以上で動作し、ループクロージャ検出とグラフ最適化は、並列バックグラウンド実行に適していることが示された。

関連論文リスト

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)
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)
RaLiFlow: Scene Flow Estimation with 4D Radar and LiDAR Point Clouds [10.906975408529895]
我々は、パブリックな現実世界の自動車のデータセットに基づいて、Radar-LiDARシーンフローデータセットを構築した。 4DレーダとLiDARのための最初の共同シーンフロー学習フレームワークであるRaLiFlowを紹介する。提案手法は,既存のLiDAR法とレーダ方式の単一モード法とを有意差で比較した。
論文参考訳（メタデータ） (2025-12-11T07:41:33Z)
TacoDepth: Towards Efficient Radar-Camera Depth Estimation with One-stage Fusion [54.46664104437454]
一段核融合を用いた効率的かつ正確なレーダ・カメラ深度推定モデルであるTacoDepthを提案する。具体的には、グラフベースのRadar構造抽出器とピラミッドベースのRadar融合モジュールを設計する。従来の最先端のアプローチと比較して、TacoDepthは深さ精度と処理速度を12.8%、91.8%改善している。
論文参考訳（メタデータ） (2025-04-16T05:25:04Z)
ROLO-SLAM: Rotation-Optimized LiDAR-Only SLAM in Uneven Terrain with Ground Vehicle [49.61982102900982]
荒地における地上車両の姿勢推定精度を向上させるために,LiDARを用いたSLAM法を提案する。累積誤差の低減を支援するために,グローバルスケールの因子グラフが確立されている。その結果,ROLO-SLAMは地上車両の姿勢推定に優れ,既存のLiDAR SLAMフレームワークよりも優れていた。
論文参考訳（メタデータ） (2025-01-04T02:44:27Z)
RaNDT SLAM: Radar SLAM Based on Intensity-Augmented Normal Distributions Transform [0.16874375111244325]
本稿では,高速かつ正確なロボット軌道を生成する新しいレーダーSLAMフレームワークであるRaNDT SLAMを紹介する。我々は新しいベンチマークデータセットとOxford Radar RobotCarデータセットでRaNDT SLAMを評価した。
論文参考訳（メタデータ） (2024-08-21T12:32:11Z)
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)
Waveform Selection for Radar Tracking in Target Channels With Memory via Universal Learning [14.796960833031724]
シーンの状態に関する部分的な情報を用いてレーダーの波形を適応させることは、多くの現実的なシナリオにおいてパフォーマンス上の利点をもたらすことが示されている。本研究では,レーダ環境インタフェースの圧縮モデルを構築するレーダシステムについて,文脈木として検討する。提案手法はシミュレーション実験で検証され、2つの最先端波形選択方式による追従性能の向上が示されている。
論文参考訳（メタデータ） (2021-08-02T21:27:56Z)
Deep Reinforcement Learning Control for Radar Detection and Tracking in Congested Spectral Environments [8.103366584285645]
レーダは、他のシステムとの相互干渉を軽減するために、その線形周波数変調(LFM)波形の帯域幅と中心周波数を変化させることを学ぶ。 DQLベースのアプローチを拡張して、ダブルQ-ラーニングとリカレントニューラルネットワークを組み込んで、ダブルディープリカレントQ-ネットワークを形成する。実験結果から,提案手法は集束スペクトル環境におけるレーダ検出性能を大幅に向上させることが示された。
論文参考訳（メタデータ） (2020-06-23T17:21:28Z)

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。