論文の概要: RICH-SLAM: Radar SLAM with Incremental and Continuous Hilbert Mapping

• arxiv url: http://arxiv.org/abs/2606.17534v1
• Date: Tue, 16 Jun 2026 05:22:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-17 17:15:32.286504
• Title: RICH-SLAM: Radar SLAM with Incremental and Continuous Hilbert Mapping
• Title（参考訳）: RICH-SLAM: インクリメンタルおよび継続的ヒルベルトマッピングを備えたレーダSLAM
• Authors: Bingbing Zhang, Huan Yin, Yang Xu, Shuo Liu, Shaojie Shen, Fumin Zhang, Wen Xu,
• Abstract要約: 本稿では、密で連続的で一貫した地図表現を実現するために設計されたレーダSLAMフレームワークであるRICH-SLAMを提案する。 提案手法では, ポーズ推定に粒子フィルタ, マップ更新にカルマンフィルタを用いるRio-Blackwellized Particle Filter-based back endを特徴とする。 自己収集と公開のColoRadarデータセットの実験は、RICH-SLAMがスパースレーダ測定から連続占有マップを構築することを示している。
• 参考スコア（独自算出の注目度）: 25.772969769182115
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Simultaneous localization and mapping using radar sensors has gained increasing attention due to radar's inherent robustness to adverse weather and lighting conditions. However, radar measurements are characteristically sparse and noisy compared to LiDAR and visual data, posing significant challenges in achieving dense, continuous, and consistent map representations. In this paper, we present RICH-SLAM, a radar SLAM framework designed to address these challenges. Our approach features a Rao-Blackwellized particle filter-based back end that employs particle filtering for pose estimation and Kalman filtering for map updates. We propose an incremental Hilbert-space reduced-rank Gaussian process mapping strategy that enables continuous and uncertainty-aware map representations given sparse radar inputs. We further introduce a posterior-aware particle weighting scheme that leverages the full posterior distribution of map parameters for more robust likelihood evaluation. Experiments on self-collected and public ColoRadar datasets show that RICH-SLAM constructs continuous occupancy maps from sparse radar measurements and supports uncertainty-aware planning for mobile robots.
• Abstract（参考訳）: レーダーセンサを用いた同時局地化とマッピングは、レーダーが悪天候や照明条件に固有の頑丈さのために注目を集めている。 しかし、レーダー測定は、LiDARや視覚データと比較すると、特徴的に希少でノイズが多く、密集、連続、一貫した地図表現を達成する上で大きな課題を生んでいる。 本稿では,これらの課題に対処するレーダーSLAMフレームワークであるRICH-SLAMを提案する。 提案手法では, ポーズ推定に粒子フィルタ, マップ更新にカルマンフィルタを用いるRio-Blackwellized Particle Filter-based back endを特徴とする。 本稿では,スパースレーダの入力に対して連続かつ不確実性を考慮した地図表現を可能にする,ヒルベルト空間の低ランクガウスプロセスマッピング戦略を提案する。 さらに、地図パラメータの完全な後部分布を利用した後部粒子重み付け手法を導入し、より堅牢な可能性評価を行う。 自己収集と公開のColoRadarデータセットの実験により、RICH-SLAMはスパースレーダ計測から連続的な占有マップを構築し、移動ロボットの不確実性を考慮した計画を支援することが示されている。

関連論文リスト

• RAMBA: 4D Radar Mapping by Bundle Adjustment [3.8603693015738205]
  本稿では,一貫した4次元レーダマッピングのためのレーダバンドル調整フレームワークであるRAMBAを提案する。 ColoRadarとSNAIL Radarデータセットの実験は、RAMBAがマップの一貫性を改善し、通常は軌道精度を高めることを示している。
  論文  参考訳（メタデータ） (2026-05-24T12:38:18Z)
• Dr-BA: Separable Optimization for Direct Radar Bundle Adjustment & Localization [12.318856176227383]
  Dr-BAは、2D回転レーダーの強度画像を直接操作する、第一種レーダーバンドル調整フレームワークである。 Dr-BAは200km以上のオンロードデータで実証された最先端のレーダーベースBAとクロスセッションローカライゼーション性能を達成する。
  論文  参考訳（メタデータ） (2026-05-07T23:41:16Z)
• 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)
• Radar Fields: Frequency-Space Neural Scene Representations for FMCW Radar [62.51065633674272]
  本稿では,アクティブレーダイメージア用に設計されたニューラルシーン再構成手法であるRadar Fieldsを紹介する。 提案手法では,暗黙的ニューラルジオメトリとリフレクタンスモデルを用いて,暗黙的な物理インフォームドセンサモデルを構築し,生のレーダ測定を直接合成する。 本研究では,密集した車両やインフラを備えた都市景観を含む,多様な屋外シナリオにおける手法の有効性を検証する。
  論文  参考訳（メタデータ） (2024-05-07T20:44:48Z)
• Pointing the Way: Refining Radar-Lidar Localization Using Learned ICP Weights [10.613476233222347]
  高レベルスキャン情報に基づいてレーダポイントを重み付けする学習前処理ステップを含むICPベースのレーダライダーローカライゼーションを構築した。 重み付けネットワークをトレーニングするために,新しい,スタンドアローンでオープンソースの差別化可能なICPライブラリを提案する。
  論文  参考訳（メタデータ） (2023-09-15T19:37:58Z)
• 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)
• LiRaNet: End-to-End Trajectory Prediction using Spatio-Temporal Radar Fusion [52.59664614744447]
  本稿では,レーダセンサ情報と広範に使用されているライダーと高精細度(HD)マップを用いた新しい終端軌道予測手法LiRaNetを提案する。 自動車レーダーは、リッチで補完的な情報を提供し、より長い距離の車両検出と即時速度測定を可能にします。
  論文  参考訳（メタデータ） (2020-10-02T00:13:00Z)
• RaLL: End-to-end Radar Localization on Lidar Map Using Differentiable Measurement Model [14.155337185792279]
  ライダーマップ(RaLL)上でのレーダローカライゼーションのためのエンドツーエンドディープラーニングフレームワークを提案する。 RaLLは成熟ライダーマッピング技術を利用しており、レーダマッピングのコストを低減している。 提案システムは,英国におけるモデルトレーニングの一般化シナリオにおいても,90km以上の運転性能を実現する。
  論文  参考訳（メタデータ） (2020-09-15T13:13:38Z)

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。