論文の概要: TACO: A Test and Check Framework for Robust Pose Graph Optimization
- arxiv url: http://arxiv.org/abs/2606.29851v2
- Date: Tue, 30 Jun 2026 11:20:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-01 13:50:27.729614
- Title: TACO: A Test and Check Framework for Robust Pose Graph Optimization
- Title（参考訳）: TACO:ロバストなポースグラフ最適化のためのテストおよびチェックフレームワーク
- Abstract要約: 我々は,PGOシステムから外れ値のフィルタリングを目的とした,堅牢な最適化フレームワークTACOを提案する。
TACOは、測定値が不整数または外れ値として明示的にモデル化するのではなく、最大一貫した測定値の集合への近似を求める。
我々は,2次元SLAMおよび3次元ビジュアルSLAMデータセットのTACOを,いくつかの最先端手法に対して評価した。
- 参考スコア（独自算出の注目度）: 9.59638516502392
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Pose Graph Optimization (PGO) is one of the most widely adopted approaches for solving Simultaneous Localization and Mapping (SLAM) problems. However, PGO approaches are particularly sensitive to outliers, which can substantially degrade the quality of the estimated trajectories. These outliers arise from incorrect place recognition associations caused by perceptual aliasing in the environment. In this paper, we present TACO (short for Test And Check Optimization), a robust optimization framework designed to filter out outliers from PGO systems. Rather than explicitly modeling measurements as inliers or outliers, TACO finds an approximation to the maximally consistent set of measurements incrementally through two complementary components: (i) The test component, namely the Incremental Probabilistic Consensus (IPC) algorithm, evaluates the consistency of each incoming loop closure online. (ii) The check component dubbed Switchable Outlier Sanitization leverages the existing Switchable Constraints to periodically sanitize any inconsistent measurements from the consistent set that IPC may have mistakenly included. We evaluate TACO on 2D SLAM and 3D Visual SLAM datasets against several state-of-the-art methods. The results show robustness comparable to state-of-the-art offline methods while preserving the computational efficiency required for online deployment, achieving a success rate above 90% in 2D and 83% in 3D across outlier rates up to 50%, with mean convergence times of approximately 45 ms and 100 ms, respectively. We release an open-source implementation of our method with this paper.
- Abstract（参考訳）: Pose Graph Optimization (PGO) は、同時局所化とマッピング(SLAM)問題を解決するための最も広く採用されている手法の1つである。
しかしながら、PGOアプローチは特に外れ値に敏感であり、推定された軌道の質を著しく低下させることができる。
これらのアウトリーチは、環境中の知覚的エイリアスによって引き起こされる不正確な場所認識関連から生じる。
本稿では,PGOシステムからの外れ値のフィルタリングを目的とした,堅牢な最適化フレームワークであるTACO(Test And Check Optimization)を提案する。
TACOは、測定を不整数または外れ値として明示的にモデル化する代わりに、2つの相補的成分を通して、最大一貫した測定セットを漸進的に近似する。
i) テストコンポーネント,すなわちインクリメンタル確率的合意(IPC)アルゴリズムは,各ループ閉鎖の一貫性をオンラインで評価する。
(二)スイッチブル・アウトリア・サニタイズというチェックコンポーネントは、既存のスイッチブル・制約を利用して、ICCが誤って含んでいたかもしれない一貫性のあるセットから定期的に不整合の測定を衛生する。
我々は,2次元SLAMおよび3次元ビジュアルSLAMデータセットのTACOを,いくつかの最先端手法に対して評価した。
その結果、オンライン展開に必要な計算効率を保ちながら、最先端のオフライン手法に匹敵するロバスト性を示し、2Dで90%以上、3Dで83%、アウトレーヤで50%、平均収束時間で約45ms、100msに達した。
本稿では,本手法のオープンソース実装について述べる。
関連論文リスト
- Developing a Totally Unimodular Linear Program for Optimal Conformance Checking: When and Why It Complements A* [0.324890820102255]
本稿では、完全一様線形プログラム(LP)としてのアライメントに基づく整合性チェックの再構成を提案する。
基礎となるネットワークフロー構造を利用することで、LP緩和による最適極点解が保証される。
両手法を併用した単純なアルゴリズム選択ガイドラインを導出し, 平均実行時節約率38.6%, 選択精度96%を実現した。
論文 参考訳（メタデータ） (2026-05-26T12:30:23Z) - Tail-Aware Post-Training Quantization for 3D Geometry Models [58.79500829118265]
ポストトレーニング量子化(PTQ)は、再トレーニングなしに効率的な推論を可能にする。
PTQは複雑な特徴分布と禁止キャリブレーションオーバーヘッドのために、3Dモデルに効果的に転送できない。
3次元幾何学学習のためのTail-Aware Post-Training Quantization PipelineであるTAPTQを提案する。
論文 参考訳（メタデータ） (2026-02-02T07:21:15Z) - COMPOSE: Hypergraph Cover Optimization for Multi-view 3D Human Pose Estimation [58.47973015036709]
スパース多視点からの3次元ポーズ推定は、行動認識、スポーツ分析、人間とロボットの相互作用にとって重要な課題である。
ハイパーグラフ問題として多視点ポーズ対応マッチングを定式化する新しいフレームワークComposEを提案する。
COMPOSEは,従来の最適化手法よりも平均23%,自己教師付きエンドツーエンド学習手法より最大11%の精度向上を実現している。
論文 参考訳（メタデータ） (2026-01-14T18:50:17Z) - Unsupervised Fault Detection using SAM with a Moving Window Approach [0.0]
本稿では、SAM(High End Segment Anything Model)と移動ウィンドウアプローチを用いた教師なし手法を提案する。
我々は、微調整やラベル付きデータを必要とせずに、これらの課題を克服することを目指している。
論文 参考訳（メタデータ） (2024-07-08T18:12:29Z) - Uncertainty-Aware Testing-Time Optimization for 3D Human Pose Estimation [65.91490997921859]
本研究では3次元ポーズ推定のための不確実性認識テスト時間最適化(UAO)フレームワークを提案する。
このフレームワークは、事前訓練されたモデルの事前情報を保持し、関節の不確実性を用いて過度に適合する問題を緩和する。
我々のアプローチは、Human3.6Mの5.5%という大きなマージンで、これまでの最高の結果を上回っています。
論文 参考訳（メタデータ） (2024-02-04T04:28:02Z) - Outlier-Robust Geometric Perception: A Novel Thresholding-Based Estimator with Intra-Class Variance Maximization [4.3487328134753795]
我々は、新しい汎用ロバストな推定器TIVM(クラス内変動最大化による三値保持)を提案する。
標準的な非最小解法と協調して、幾何学的知覚問題に対する外れ値の除去を効率的に行うことができる。
我々の推定器は、問題の不整合ノイズ統計が完全に未知である場合でも、ほぼ同じレベルのロバスト性を維持することができる。
論文 参考訳（メタデータ） (2022-04-04T08:57:34Z) - Certifiable Outlier-Robust Geometric Perception: Exact Semidefinite
Relaxations and Scalable Global Optimization [29.738513596063946]
本稿では,外接点の存在下でのロバストな幾何学的知覚のためのアルゴリズム設計のための,最初の汎用フレームワークを提案する。
我々の実験では、SDP緩和はアプリケーション間で最大で外れ率で正確であることを実証した。
論文 参考訳（メタデータ） (2021-09-07T21:42:16Z) - Uncertainty-Aware Camera Pose Estimation from Points and Lines [101.03675842534415]
Perspective-n-Point-and-Line (Pn$PL) は、2D-3D特徴座標の3Dモデルに関して、高速で正確で堅牢なカメラローカライゼーションを目指している。
論文 参考訳（メタデータ） (2021-07-08T15:19:36Z) - Fast and Robust Certifiable Estimation of the Relative Pose Between Two
Calibrated Cameras [0.0]
カメラの相対Pose問題(RPp)は、2つのカメラ間のペアワイズ回転のセットを与えられた相対方向変換(構成)を目指しています。
本稿では,検出された最適解の比率を高めるための証明書群について紹介する。
提案手法が高速でロバストなポーズ推定を実現することを,合成および実データにより証明する。
論文 参考訳（メタデータ） (2021-01-21T10:07:05Z) - SADet: Learning An Efficient and Accurate Pedestrian Detector [68.66857832440897]
本稿では,一段検出器の検出パイプラインに対する一連の最適化手法を提案する。
効率的な歩行者検出のための単発アンカーベース検出器(SADet)を形成する。
構造的には単純だが、VGA解像度の画像に対して最先端の結果と20ドルFPSのリアルタイム速度を示す。
論文 参考訳（メタデータ） (2020-07-26T12:32:38Z) - ADAHESSIAN: An Adaptive Second Order Optimizer for Machine Learning [91.13797346047984]
本稿では,2次最適化アルゴリズムであるADAHESSIANを紹介する。
ADAHESSIANは、他の適応最適化手法と比較して、新しい最先端の成果を大きなマージンで達成することを示す。
論文 参考訳（メタデータ） (2020-06-01T05:00:51Z)
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。