論文の概要: SA-LIVO: Efficient LiDAR-Inertial-Visual Odometry with Subspace-Aware Degeneracy Handling

• arxiv url: http://arxiv.org/abs/2606.25699v1
• Date: Wed, 24 Jun 2026 11:13:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 17:05:30.313305
• Title: SA-LIVO: Efficient LiDAR-Inertial-Visual Odometry with Subspace-Aware Degeneracy Handling
• Title（参考訳）: SA-LIVO: サブスペース対応デジェネリシーハンドリングを用いたLiDAR-Inertial-Visual Odometry
• Abstract要約: LiDAR-visual-inertial odometry (LIVO)は、精密な幾何学的深さと相補的な視覚的計測を融合する。 既存の対策は、モダリティレベルで動作し、関節情報行列の方向依存構造を未調整のまま残す。 方向選択的融合と情報効率の高い処理によってこれらの制約に対処するLiDAR-Iertial-visual odometryシステムであるSA-LIVOを提案する。
• 参考スコア（独自算出の注目度）: 23.881618454598122
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Tightly coupled LiDAR-visual-inertial odometry (LIVO) fuses precise geometric depth with complementary visual measurements, yet its exteroceptive sensors face independent failure modes: LiDAR degenerates when scan geometry is under-constrained, while visual measurements degrade under adverse illumination or texture absence. Existing countermeasures, including binary degeneracy detection, covariance inflation, and scene-level quality gating, operate at the modality level and leave the direction-dependent structure of the joint information matrix unaddressed. Consequently, visual residuals enter pose directions where LiDAR is well-constrained, while in deficient directions visual compensation disperses across the full state space rather than concentrating where needed. We propose SA-LIVO, a LiDAR-inertial-visual odometry system addressing these limitations through direction-selective fusion and information-efficient processing. The Subspace-Aware Information Fusion (SAIF) framework eigendecomposes the joint LiDAR-visual information matrix and applies a linear-clamp soft gate per eigendirection, attenuating degenerate directions while preserving observable ones at full strength. LiDAR and visual residuals are then jointly optimized in one InEKF loop at a shared linearization point. Since visual information contributes only where LiDAR is deficient, photometric Jacobians are assembled once before the loop and reused across iterations, avoiding the per-iteration cost of conventional iterated filters. Experiments on 29 sequences from three benchmarks (HILTI'22, New College, Oxford Spires) and concurrent-degradation scenarios show accuracy competitive with the strongest baselines and bounded drift where competing systems diverge. SA-LIVO averages 12.3 ms per frame on a laptop CPU and 26.8 ms on an embedded ARM board without GPU, with 3.6-6.3x lower peak memory. The code will be open-sourced.
• Abstract（参考訳）: わずかに結合されたLiDAR-visual-inertial odometry (LIVO)は、精密な幾何学的深さを相補的な視覚的計測と融合するが、その外部受容センサーは独立した障害モードに直面している。 2次縮退検出、共分散インフレーション、シーンレベルの品質ゲーティングを含む既存の対策は、モダリティレベルで動作し、関節情報行列の方向依存構造を未修正のまま残す。 その結果、視覚的残差は、LiDARが十分に拘束されているようなポーズの方向に入り、一方、不十分な方向の視覚的補償は、必要に応じて集中するのではなく、全状態空間に分散する。 方向選択的融合と情報効率の高い処理によってこれらの制約に対処するLiDAR-Iertial-visual odometryシステムであるSA-LIVOを提案する。 サブスペース・アウェア・インフォメーション・フュージョン (SAIF) フレームワークは、ジョイントLiDAR視覚情報行列を固有に分解し、固有方向ごとに線形クランプ・ソフトゲートを適用し、縮退方向を減衰させ、観測可能な情報を全強度で保存する。 LiDARと視覚残差は、共有線形化点における1つのInEKFループで共同最適化される。 視覚情報はLiDARが不十分な場所でのみ寄与するため、光度ジャコビアンはループの前に一度組み立てられ、繰り返しにまたがって再利用される。 3つのベンチマーク(HILTI'22、New College、Oxford Spires)の29のシーケンスと同時劣化シナリオによる実験は、競合するシステムが分岐する最強のベースラインと境界ドリフトと競合する精度を示す。 SA-LIVOは、ラップトップCPUでは平均12.3ms、GPUのない組み込みARMボードでは26.8ms、ピークメモリは3.6-6.3倍である。 コードはオープンソース化される。

関連論文リスト

• TRaIL-Odom: Tightly Coupled Continuous Time Radar-IMU-LiDAR Odometry with Adaptive Doppler Weighting [24.013238065030635]
  既存のレーダー-LiDAR融合法は、固定された残留重量に依存している。 本稿では,Rar-IMU-LiDARオドメトリーフレームワークにおいて,2つのドップラー重み付けモジュールを提案する。 13個の評価シーケンスで、TRaIL-Odomは、最先端の全体的なパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-09-03T09:00:51Z)
• LIT-GS: LiDAR-Inertial-Thermal Gaussian Splatting for Illumination-Robust Mapping [10.353975244787629]
  LIT-GS(LiDAR-Iertial-thermal Gaussian Splatting framework)を提案する。 我々は、LIV視覚マップポイントを信頼性に配慮したクロスモーダルアンカーとして利用し、信頼性の高い熱-LiDARアソシエーションを確立する。 局所的に観測された平面と整合する3次元点の制約を制約するLiDAR平面規則化微分可微分スプラッティング法を提案する。
  論文  参考訳（メタデータ） (2026-06-18T16:06:52Z)
• FAST-LIVGO: A Degeneracy-Robust LiDAR-Inertial-Visual-GNSS Fusion Odometry [14.641801914375163]
  ロボット工学において、長期、大規模、高度にダイナミックな環境における状態推定とマッピングが重要な課題である。 既存のLiDAR-In-ertial-Visual Odometry (LIVO) システムは、強い局所精度を実現するが、長距離で蓄積したドリフトに悩まされる。 本稿では,これらの制約に対処するために,エラー状態反復カルマンフィルタに基づくLiDAR支援融合フレームワークを提案する。 我々のシステムは、蓄積したドリフトとマップゴーストを低減し、精度とロバスト性において最先端の手法より優れる。
  論文  参考訳（メタデータ） (2026-06-17T15:33:11Z)
• SpatialFly: Geometry-Guided Representation Alignment for UAV Vision-and-Language Navigation in Urban Environments [49.966170814478915]
  UAV VLNのための幾何学誘導空間表現フレームワークを提案する。 明示的な3次元再構成を伴わないRGB観測において、SpatialFlyは幾何学誘導2次元表示アライメント機構を導入する。 実験結果から、SpatialFlyは現状のUAV VLNベースラインを目に見える環境と見えない環境の両方で一貫して上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2026-03-22T03:56:58Z)
• LiDAR-GS:Real-time LiDAR Re-Simulation using Gaussian Splatting [53.58528891081709]
  都市景観におけるLiDARスキャンをリアルタイムかつ高忠実に再現するLiDAR-GSを提案する。 この手法は,公開可能な大規模シーンデータセットのレンダリングフレームレートと品質の両面において,最先端の結果を達成する。
  論文  参考訳（メタデータ） (2024-10-07T15:07:56Z)
• Multi-Modal Data-Efficient 3D Scene Understanding for Autonomous Driving [58.16024314532443]
  我々は、異なるLiDARスキャンからレーザービーム操作を統合するフレームワークであるLaserMix++を導入し、データ効率の学習を支援するためにLiDAR-カメラ対応を組み込んだ。 結果は、LaserMix++が完全に教師付き代替よりも優れており、5倍のアノテーションで同等の精度を実現していることを示している。 この大幅な進歩は、LiDARベースの3Dシーン理解システムにおける広範囲なラベル付きデータへの依存を減らすための半教師付きアプローチの可能性を示している。
  論文  参考訳（メタデータ） (2024-05-08T17:59:53Z)
• DELO: Deep Evidential LiDAR Odometry using Partial Optimal Transport [23.189529003370303]
  リアルタイムLiDARベースのオドメトリーは、ロボットナビゲーション、一貫した3Dシーンマップの再構築、安全なモーションプランニングなど、多くのアプリケーションに必須である。 本稿では,フレーム間の正確な対応とモデルの予測不確実性(PU)を共同で学習し,LO予測を安全に保護するための証拠として,新しいディープラーニングベースのリアルタイム(約35～40ms/fps/fps/fps/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s /s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s/s 提案手法をKITTIデータセット上で評価し,最近の最先端手法よりも優れた一般化能力を有する競争性能を示す。
  論文  参考訳（メタデータ） (2023-08-14T14:06:21Z)
• Tightly-Coupled LiDAR-Visual SLAM Based on Geometric Features for Mobile Agents [43.137917788594926]
  幾何学的特徴に基づく密結合LiDAR視覚SLAMを提案する。 視覚サブシステムによって検出された全ラインセグメントは、LiDARサブシステムの制限を克服する。 本システムは,現在最先端のマルチモーダル手法と比較して,より正確でロバストなポーズ推定を実現する。
  論文  参考訳（メタデータ） (2023-07-15T10:06:43Z)
• Orthogonal Matrix Retrieval with Spatial Consensus for 3D Unknown-View Tomography [58.60249163402822]
  未知視トモグラフィ(UVT)は、未知のランダムな向きで2次元投影から3次元密度マップを再構成する。 提案したOMRはより堅牢で、従来の最先端のOMRアプローチよりも大幅に性能が向上している。
  論文  参考訳（メタデータ） (2022-07-06T21:40:59Z)
• Robust Self-Supervised LiDAR Odometry via Representative Structure Discovery and 3D Inherent Error Modeling [67.75095378830694]
  そこで我々は,2段階のオドメトリ推定ネットワークを構築し,一連の部分領域変換を推定してエゴモーメントを求める。 本稿では,トレーニング,推論,マッピングフェーズにおける信頼できない構造の影響を軽減することを目的とする。 我々の2フレームのオードメトリーは、翻訳/回転誤差の点で、過去の芸術の状態を16%/12%上回っている。
  論文  参考訳（メタデータ） (2022-02-27T12:52:27Z)
• SelfVoxeLO: Self-supervised LiDAR Odometry with Voxel-based Deep Neural Networks [81.64530401885476]
  本稿では,これら2つの課題に対処するために,自己教師型LiDARオドメトリー法(SelfVoxeLO)を提案する。 具体的には、生のLiDARデータを直接処理する3D畳み込みネットワークを提案し、3D幾何パターンをよりよく符号化する特徴を抽出する。 我々は,KITTIとApollo-SouthBayという2つの大規模データセット上での手法の性能を評価する。
  論文  参考訳（メタデータ） (2020-10-19T09:23:39Z)

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。