論文の概要: MIL-LC: A Robust Magnetometer-Inertial-LiDAR Fusion Multimodal Localization Framework
- arxiv url: http://arxiv.org/abs/2606.25796v1
- Date: Wed, 24 Jun 2026 13:14:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-25 17:05:30.347087
- Title: MIL-LC: A Robust Magnetometer-Inertial-LiDAR Fusion Multimodal Localization Framework
- Title（参考訳）: MIL-LC:ロバスト磁気センサ-慣性LiDAR核融合マルチモーダルローカライゼーションフレームワーク
- Abstract要約: 単一モードローカライゼーション法は、個々のセンサの制約によって本質的に制限される。
磁場に基づく局在化は、幾何学的特徴やテクスチャ的特徴に依存しないため、注目を集めている。
本稿では,センサスイートをカスタム設計した磁気センサ-慣性LiDAR融合マルチモーダルローカライゼーションフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 17.614426175742633
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Localization in challenging environments, such as GNSS-denied, geometrically repetitive, or textureless scenes commonly found in offices, hotels, and underground parking facilities, remains an open problem for reliable autonomous mobile robot (AMR) deployment. Single-modality localization methods are inherently limited by the constraints of individual sensors. Although multimodal fusion frameworks have shown improved robustness, most existing approaches still rely heavily on geometric or texture features, or on infrastructure-based beacons, which increase installation and maintenance costs while reducing deployment flexibility. Recently, ambient magnetic field (AMF)-based localization has attracted growing attention because it does not depend on geometric or texture features, nor does it require additional infrastructure, making it a promising complementary modality for AMR localization. However, existing studies have only explored such fusion in pedestrian scenarios using smartphone-mounted sensor suites, and practical solutions for AMR systems remain largely unexplored. To address this gap, this article proposes a magnetometer-inertial-LiDAR fused multimodal localization framework with a custom-designed sensor suite, termed MIL-LC, which provides reliable localization even when LiDAR suffers from geometric degeneration or when the magnetic map changes during long-term deployment. Extensive experiments in both simulation and real-world environments demonstrate that the proposed MIL-LC framework achieves robust and accurate localization performance.
- Abstract（参考訳）: オフィス、ホテル、地下の駐車場でよく見られる、GNSS-denied、幾何的反復、テクスチャのないシーンなどの挑戦的な環境におけるローカライゼーションは、信頼性の高い自律移動ロボット(AMR)の展開において未解決の課題である。
単一モードローカライゼーション法は、個々のセンサの制約によって本質的に制限される。
マルチモーダル・フュージョン・フレームワークはロバスト性の向上を示しているが、既存のアプローチの多くは幾何学的・テクスチャ的な機能やインフラベースのビーコンに大きく依存している。
近年, 環境磁場(AMF)による局所化が注目されているのは, 幾何学的特徴やテクスチャ的特徴に依存せず, 追加のインフラも必要とせず, AMR の局在化を補完する上で有望な相補的モダリティとなるためである。
しかし、既存の研究ではスマートフォンに搭載されたセンサースイートを用いた歩行者のシナリオでの融合についてのみ検討されており、AMRシステムのための実用的なソリューションはほとんど探索されていない。
このギャップに対処するために,磁気センサ-慣性LiDAR融合マルチモーダルローカライゼーションフレームワークであるMIL-LCを提案し,LiDARが幾何学的劣化に悩まされたり,長期展開中に磁気マップが変化した場合にも,信頼性の高いローカライゼーションを提供する。
シミュレーションと実環境の両方における大規模な実験により,提案したMIL-LCフレームワークがロバストかつ高精度なローカライゼーション性能を実現することを示す。
関連論文リスト
- VGP-Nav: Metric-Aware Visual Geometric Perception for Robot Navigation [59.44896676402453]
VGP-Navは、テキスト・メトリック・アウェア・ビジュアル・ジオメトリック・パーセプションのための統合されたフレームワーク
単分子RGB入力にのみ依存し、メトリックローカライゼーションと障害物知覚を共同で支援する。
VGP-Navはモノクルスケールのあいまいさをオンラインで解決し、局所化基底の計量障害物表現を生成する。
論文 参考訳（メタデータ） (2026-06-08T09:38:14Z) - Information-Theoretic Geometry Optimization and Physics-Aware Learning for Calibration-Free Magnetic Localization [10.338483096774063]
本稿では,情報理論のセンサ幾何最適化と物理を意識したディープラーニングを組み合わせた統合フレームワークを提案する。
スタッガースプリットアレイトポロジーは,局所化のための観測可能性基盤を著しく向上させることを示す。
また,ハードウェア対応合成データに基づく校正自由度推定器であるPhy-GAANetを提案する。
論文 参考訳（メタデータ） (2026-04-24T13:12:14Z) - RoSLAC: Robust Simultaneous Localization and Calibration of Multiple Magnetometers [17.614426175742633]
本稿では,交互最適化に基づくロSLAC手法を提案する。
最先端の磁力計校正技術と比較して計算コストを低く保ちながら、高精度なローカライゼーションを実現する。
論文 参考訳（メタデータ） (2026-04-15T19:11:32Z) - 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) - Structure-Aware Multimodal LLM Framework for Trustworthy Near-Field Beam Prediction [58.26409205915576]
近接場系では、球面波面伝播は従来のビームコードブックを合同角距離領域に拡張する。
我々は,歴史的GPSデータ,RGB画像,LiDARデータ,戦略的に設計されたタスク固有のテキストプロンプトを融合した,LLM駆動の多モーダルフレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-17T05:52:13Z) - MambaFusion: Adaptive State-Space Fusion for Multimodal 3D Object Detection [6.350460753267439]
MambaFusionは、効率的で適応的で物理的に基礎付けられた3D知覚を実現する、統合されたマルチモーダル検出フレームワークである。
構造条件拡散ヘッドは、不確実性を考慮した推論と不確実性を考慮した推論を統合し、物理的妥当性を強制し、信頼性を校正する。
このフレームワークは、SSMベースの効率と信頼性駆動核融合を結合することで、現実の自律運転システムに対して堅牢で、時間的に安定し、解釈可能な3D知覚が得られることを示す。
論文 参考訳（メタデータ） (2026-02-08T21:10:46Z) - iRadioDiff: Physics-Informed Diffusion Model for Indoor Radio Map Construction and Localization [28.221749064585484]
iRadioDiffは、屋内RM構築のためのサンプリングフリー拡散ベースのフレームワークである。
iRadioDiff は室内RM工法における最先端性能を実現し,信号強度に基づく室内局地化を実現した。
論文 参考訳（メタデータ） (2025-11-25T07:32:49Z) - Closer to Reality: Practical Semi-Supervised Federated Learning for Foundation Model Adaptation [56.36237936346563]
ファンデーションモデル(FM)は顕著な一般化を示すが、下流のタスクに適応する必要がある。
データプライバシー規制のため、クラウドベースのFMはプライベートエッジデータに直接アクセスできない。
エッジデバイスがラベルのない低解像度のデータのみを保持する実践的セミスーパービジョン・フェデレーションラーニング(PSSFL)を導入する。
我々の研究は、フェデレートされたシナリオにおけるスケーラブルでプライバシ保護のFM適応の道を開いた。
論文 参考訳（メタデータ） (2025-08-22T17:47:02Z) - Robust Incremental Structure-from-Motion with Hybrid Features [73.55745864762703]
本稿では,線とその構造的幾何学的関係を利用した漸進的構造移動システム(SfM)を提案する。
我々のシステムは、SfMの広く使われている点ベースの技術と比較すると、一貫して堅牢で正確である。
論文 参考訳（メタデータ） (2024-09-29T22:20:32Z) - Accelerated Multi-Contrast MRI Reconstruction via Frequency and Spatial Mutual Learning [50.74383395813782]
本稿では,周波数・空間相互学習ネットワーク(FSMNet)を提案する。
提案したFSMNetは, 加速度係数の異なるマルチコントラストMR再構成タスクに対して, 最先端の性能を実現する。
論文 参考訳（メタデータ） (2024-09-21T12:02:47Z) - Frequency-Assisted Mamba for Remote Sensing Image Super-Resolution [49.902047563260496]
我々は、リモートセンシング画像(RSI)の超高解像度化のために、視覚状態空間モデル(Mamba)を統合するための最初の試みを開発した。
より優れたSR再構築を実現するため,FMSRと呼ばれる周波数支援型Mambaフレームワークを考案した。
我々のFMSRは、周波数選択モジュール(FSM)、ビジョン状態空間モジュール(VSSM)、ハイブリッドゲートモジュール(HGM)を備えた多層融合アーキテクチャを備えている。
論文 参考訳（メタデータ） (2024-05-08T11:09:24Z)
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。