論文の概要: FAR-LIO: Enabling High-Speed Autonomy through Fast, Accurate, and Robust LiDAR-Inertial Odometry
- arxiv url: http://arxiv.org/abs/2606.26010v1
- Date: Wed, 24 Jun 2026 16:30:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-25 17:05:30.396343
- Title: FAR-LIO: Enabling High-Speed Autonomy through Fast, Accurate, and Robust LiDAR-Inertial Odometry
- Title（参考訳）: FAR-LIO:高速・高精度・ロバストLiDAR慣性オドメトリーによる高速オートノミーの実現
- Authors: Maximilian Leitenstern, Marcel Weinmann, Patrick Haft, Tobias Lasser, Dominik Kulmer, Markus Lienkamp,
- Abstract要約: 本稿では,高速,高精度,ロバスト性能のために開発された,高度に最適化されたLiDAR慣性オドメトリーフレームワークであるFAR-LIOを紹介する。
我々は,適応密度を持つ空間認識型一般化反復閉点アルゴリズムを用いて,精度を損なうことなく低レイテンシを実現する。
FAR-LIOは,最大250km/hの速度で走行する2台の自律レースカーの公用データセットとデータの両方を用いて,4種類のセンサー構成で評価する。
- 参考スコア（独自算出の注目度）: 5.6873825929051165
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Robust and accurate odometry estimation is essential in modern robotics. In environments characterized by highly dynamic motion and sensor noise, odometry estimation becomes increasingly challenging. Autonomous racing combines both factors in an unstructured setting, where minimizing odometry latency is essential for stable closed-loop control. This paper introduces FAR-LIO, a highly optimized CUDA-accelerated LiDAR-inertial odometry framework developed for Fast, Accurate, and Robust performance. Our system leverages a novel CUDA-based voxel hashmap to enable parallelized nearest-neighbor search and efficient map updates. We employ a sparsity-aware Generalized Iterative Closest Point algorithm with adaptive thresholding on top of the CUDA-based voxel hashmap with adaptive density to achieve low-latency without compromising accuracy. An Extended Kalman Filter serves as a robust backend. It utilizes an upsampling and delay compensation strategy to fuse the LiDAR odometry with high-frequency IMU data, thereby ensuring a robust and smooth odometry output. We evaluate FAR-LIO across four different sensor setups, using both public datasets and data from two autonomous racecars driving at speeds of up to 250 km/h. FAR-LIO achieves an average 6.9% reduction in the positional error and 38.4% lower runtime compared to state-of-the-art baselines on target hardware using a single parameter set. This demonstrates its computational efficiency and broad applicability. To build upon our work, our code is available open-source on https://github.com/TUMFTM/FAR-LIO.
- Abstract（参考訳）: 現代のロボット工学では、ロバストで正確な計測が不可欠である。
非常にダイナミックな動きとセンサノイズを特徴とする環境では、計測はますます困難になっている。
自律レースは、安定な閉ループ制御において、オドメトリーのレイテンシを最小限に抑えるために、非構造化環境で両方の要因を組み合わせる。
本稿では,高速,高精度,ロバスト性能のために開発された,高度に最適化されたCUDA加速LiDAR慣性オドメトリーフレームワークであるFAR-LIOを紹介する。
我々のシステムはCUDAベースの新しいボクセルハッシュマップを活用し、並列化された最寄りの検索と効率的なマップ更新を可能にする。
我々は、CUDAベースのボクセルハッシュマップ上に適応しきい値を付加し、精度を損なうことなく低レイテンシを実現するスペーサ性認識型一般化反復クローズトポイントアルゴリズムを用いる。
拡張カルマンフィルタは堅牢なバックエンドとして機能する。
アップサンプリングと遅延補償の戦略を用いて、LiDARオドメトリーを高周波IMUデータと融合させ、ロバストで滑らかなオドメトリー出力を確保する。
FAR-LIOは,最大250km/hの速度で走行する2台の自律レースカーの公用データセットとデータの両方を用いて,4種類のセンサー構成で評価する。
FAR-LIOは、単一のパラメータセットを使用して、ターゲットハードウェア上の最先端のベースラインと比較して、位置誤差が平均6.9%減少し、ランタイムが38.4%低下する。
これは計算効率と広い適用性を示している。
私たちの作業に基づいて、私たちのコードはhttps://github.com/TUMFTM/FAR-LIO.comで公開されています。
関連論文リスト
- EventShiftFlow: Towards Hardware-efficient FPGA-based Flow Estimation [43.77587889970362]
イベントベースの視覚センサは、非同期で高時間分解能の測定を提供する。
多くの事象に基づく動き推定法は計算集約的であり、FPGAハードウェアにマップすることは困難である。
本稿では,非同期イベントを固定時間ビンに離散化し,1ビット空間占有格子を構築し,複数の速度仮説を並列に評価するストリーミング速度推定器を提案する。
論文 参考訳（メタデータ） (2026-05-27T11:13:58Z) - Real-Time Structural Detection for Indoor Navigation from 3D LiDAR Using Bird's-Eye-View Images [0.0]
既存の3D手法は計算が禁じられているが、従来の2D幾何学的手法は頑丈さを欠いている。
本稿では,3次元LiDARデータを2D BirdのEye-View画像に投影し,マッピングとナビゲーションに関連する構造要素の効率的な検出を可能にするリアルタイムフレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-20T10:15:49Z) - AdaFuse: Accelerating Dynamic Adapter Inference via Token-Level Pre-Gating and Fused Kernel Optimization [84.25316984309725]
動的スパース構造とパラメータ効率のよいアダプタ(例えばLoRA)の統合は、大規模言語モデル(LLM)を拡張するための強力な技術である。
計算負荷は最小限に抑えられるが、計算のレイテンシが急上昇し、復号速度が2.5倍以上遅くなる。
AdaFuseはアルゴリズムと基盤となるハードウェアシステムとの緊密な協調設計に基づいて構築されたフレームワークで、効率的な動的アダプタ実行を実現する。
論文 参考訳（メタデータ） (2026-03-12T12:46:42Z) - Nemotron-Flash: Towards Latency-Optimal Hybrid Small Language Models [97.55009021098554]
本研究の目的は、SLMのリアルタイムレイテンシの主要な決定要因を特定し、SLMの設計とトレーニングのための一般化可能な原則と方法論を提供することである。
我々はNemotron-Flashと呼ばれるハイブリッドSLMの新たなファミリーを導入し、最先端SLMの精度・効率のフロンティアを大幅に向上させる。
論文 参考訳（メタデータ） (2025-11-24T08:46:36Z) - Robust Fully-Asynchronous Methods for Distributed Training over General Architecture [11.480605289411807]
分散機械学習問題における完全な同期は、レイテンシ、パッケージの損失、ストラグラーの存在のため、非効率であり、不可能である。
本稿では,R-FAST (Fully-Asynchronous Gradient Tracking Method) を提案する。
論文 参考訳（メタデータ） (2023-07-21T14:36:40Z) - EdgeYOLO: An Edge-Real-Time Object Detector [69.41688769991482]
本稿では, 最先端のYOLOフレームワークをベースとした, 効率的で低複雑さかつアンカーフリーな物体検出器を提案する。
我々は,訓練中の過剰適合を効果的に抑制する拡張データ拡張法を開発し,小型物体の検出精度を向上させるためにハイブリッドランダム損失関数を設計する。
私たちのベースラインモデルは、MS 2017データセットで50.6%のAP50:95と69.8%のAP50、VisDrone 2019-DETデータセットで26.4%のAP50と44.8%のAP50に達し、エッジコンピューティングデバイスNvidia上でリアルタイム要求(FPS>=30)を満たす。
論文 参考訳（メタデータ） (2023-02-15T06:05:14Z) - Efficient and Robust LiDAR-Based End-to-End Navigation [132.52661670308606]
我々は,LiDARをベースとした効率的なエンドツーエンドナビゲーションフレームワークを提案する。
本稿では,スパース畳み込みカーネル最適化とハードウェア対応モデル設計に基づくFast-LiDARNetを提案する。
次に,単一の前方通過のみから予測の不確かさを直接推定するハイブリッド・エビデンシャル・フュージョンを提案する。
論文 参考訳（メタデータ） (2021-05-20T17:52:37Z) - FastFlowNet: A Lightweight Network for Fast Optical Flow Estimation [81.76975488010213]
ディセンス光学フロー推定は、多くのロボットビジョンタスクで重要な役割を果たしています。
現在のネットワークはしばしば多くのパラメータを占有し、計算コストがかかる。
提案したFastFlowNetは、周知の粗大なやり方で、以下のイノベーションで機能する。
論文 参考訳（メタデータ） (2021-03-08T03:09:37Z) - A Privacy-Preserving-Oriented DNN Pruning and Mobile Acceleration
Framework [56.57225686288006]
モバイルエッジデバイスの限られたストレージとコンピューティング能力を満たすために、ディープニューラルネットワーク(DNN)の軽量プルーニングが提案されている。
従来のプルーニング手法は主に、ユーザデータのプライバシを考慮せずに、モデルのサイズを減らしたり、パフォーマンスを向上させることに重点を置いていた。
プライベートトレーニングデータセットを必要としないプライバシ保護指向のプルーニングおよびモバイルアクセラレーションフレームワークを提案する。
論文 参考訳（メタデータ） (2020-03-13T23:52:03Z)
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。