論文の概要: Self-supervised Geometry Reasoning for LiDAR Simultaneous Localization and Mapping

• arxiv url: http://arxiv.org/abs/2606.30166v1
• Date: Mon, 29 Jun 2026 11:43:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:16.207495
• Title: Self-supervised Geometry Reasoning for LiDAR Simultaneous Localization and Mapping
• Title（参考訳）: LiDARの同時局所化とマッピングのための自己教師付き幾何推論
• Abstract要約: 本稿では、局所幾何学の明示的な記号表現を学習し、LiDAR SLAMを改善するための自己教師型フレームワークを提案する。 様々なLiDAR解像度でのKITTI実験により, 提案手法は, オードメトリーとグローバルレジストレーションの両方を改善した。
• 参考スコア（独自算出の注目度）: 11.695017334165287
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: LiDAR simultaneous localization and mapping (SLAM) relies on local geometric quantities such as covariances, correspondences, and surface structures. However, most existing pipelines rely on hand-crafted estimates of local geometry and use them as fixed inputs to LiDAR SLAM, which can make the estimated local geometry noisy and unstable in sparse regions of a point cloud or when using low-resolution LiDAR. To address this issue, this paper introduces a self-supervised framework that learns an explicit symbolic representation of local geometry and uses it to improve LiDAR SLAM recursively. Specifically, each point is represented as a Gaussian distribution, allowing local geometry to be described by a covariance. Without dense geometry labels or ground-truth poses, the framework learns by maximizing the likelihood of local geometry, with self-supervision derived from consistency relations over symbolic geometric representations, including predicted covariances, correspondences, and trajectory from SLAM. The learned geometry is then fed back into LiDAR SLAM, forming a reciprocal loop in which improved geometry enhances localization and mapping, and improved localization provides cleaner supervision for subsequent geometry reasoning. This framework is backend-agnostic and can be plugged into existing LiDAR SLAM pipelines without architectural changes. Experiments on KITTI under varying LiDAR resolutions show that the proposed method improves both odometry and global registration.
• Abstract（参考訳）: LiDARの同時ローカライゼーションとマッピング(SLAM)は、共分散、対応、表面構造といった局所的な幾何学的量に依存する。 しかし、既存のパイプラインのほとんどは、手作りの局所幾何学の推定に頼り、それをLiDAR SLAMへの固定入力として使用する。 本稿では,局所幾何学の明示的な記号表現を学習し,それをLiDAR SLAMを再帰的に改善する自己教師型フレームワークを提案する。 具体的には、各点はガウス分布として表され、局所幾何学は共分散によって記述される。 密度の強い幾何学ラベルや地軸のポーズがなければ、このフレームワークは局所幾何学の可能性を最大化することで学習し、予測された共変、対応、SLAMからの軌跡を含む記号的幾何学的表現の一貫性関係から導かれる自己超越性を持つ。 学習された幾何はLiDAR SLAMにフィードバックされ、改良された幾何が局所化とマッピングを増強する相互ループを形成し、改良されたローカライゼーションはその後の幾何推論のよりクリーンな監視を提供する。 このフレームワークはバックエンドに依存しないため、アーキテクチャの変更なしに既存のLiDAR SLAMパイプラインにプラグインすることができる。 様々なLiDAR解像度でのKITTI実験により, 提案手法は, オードメトリーとグローバルレジストレーションの両方を改善した。

関連論文リスト

• Improving Map Consistency in Graph-Based LiDAR SLAM Through Information-Aware Odometry and Retroactive Loop Closure [22.762295959731233]
  我々は,3次元LiDAR SLAMにおけるグローバルな軌道推定と局所地図品質の改善の問題に対処する。 まず,ICP の幾何依存情報行列を効率的に推定する枠組みを提案し,ポーズグラフにおけるオドメトリー制約の原理的重み付けを可能にする。 次に、位置認識を幾何学的登録から切り離す階層的なループ閉鎖モジュールと、最適化されたポーズグラフを利用してループ閉鎖を復元する遡及的なループ閉鎖モジュールを導入する。
  論文  参考訳（メタデータ） (2026-07-15T07:12:14Z)
• Real-Time LiDAR Gaussian Splatting SLAM [2.0524609401792397]
  我々は,高速なG-ICP登録と球状化に基づく大規模シーケンスの高密度マッピングを密結合するリアルタイムなLiDARベースのSLAMフレームワークを提案する。 追跡推定局所共分散を再利用し、ガウスを範囲対応スケールで初期化し、写像最適化のための曲面正規化を導出する。 ニューアー・カレッジのデータセットでは、Fスコアが86.78%に達し、オンライントラジェクトリをリアルタイムに利用している。
  論文  参考訳（メタデータ） (2026-07-05T05:55:32Z)
• Learning Point Cloud Geometry as a Statistical Manifold: Theory and Practice [11.695017334165287]
  LiDARが取得した点雲は本質的にスパースであり、一様ではない。 既存のアプローチは、局所幾何学を推定することによってこれらの制限を補償しようとする。 本稿では,点ごとのガウス幾何学を推定する深部神経推定器であるPOLIを紹介する。
  論文  参考訳（メタデータ） (2026-05-11T12:27:25Z)
• A Mean Curvature Approach to Boundary Detection: Geometric Insights for Unsupervised Learning [52.452902154360565]
  本稿では,幾何学的機械学習に基づく新しい幾何学的フレームワークであるMean Curvature Boundary Points (MCBP)を紹介する。 MCBPはデータ多様体の固有曲率を明示的にモデル化し、原理化された多様体のパラメトリゼーションを必要としない点平均曲率を計算する。 合成および実世界のデータセットの実験により、MCBPはクラスタリング性能を一貫して改善することを示した。
  論文  参考訳（メタデータ） (2026-05-05T20:19:09Z)
• Incremental Semantics-Aided Meshing from LiDAR-Inertial Odometry and RGB Direct Label Transfer [3.2208886039079925]
  室内スキャンからセマンティクスを援用した高品質メッシュを生成するモジュール状でインクリメンタルなRGB+LiDARパイプラインを提案する。 ビジョンファウンデーションモデルは、各RGBフレームにラベルを付け、ラベルは段階的に投影され、LiDAR慣性オドメトリーマップに融合される。 結果のセマンティックなラベル付きメッシュは、ユニバーサルシーン記述(USD)資産を再構築する際の価値である。
  論文  参考訳（メタデータ） (2026-04-10T16:41:47Z)
• Non-Rigid Structure-from-Motion via Differential Geometry with Recoverable Conformal Scale [17.935227965480475]
  共形変形下でのNRSfMに対するCon-NRSfMという新しい手法を提案する。 提案手法は,グラフベースのフレームワークにより最適化された2次元画像ワープを用いて,ポイントワイズ再構成を行う。 我々のフレームワークは、他のアプローチでは分離できない深さと等角スケールの制約を分離する。
  論文  参考訳（メタデータ） (2025-10-02T04:46:46Z)
• Local-consistent Transformation Learning for Rotation-invariant Point Cloud Analysis [61.04787144322498]
  ポイント形状解析のための局所一貫性変換(LocoTrans)学習戦略を提案する。 まず、LRFにおける2つの軸の対称性を考慮し、LCRF(Local-Consistent Reference frame)を構築する。 整合性は局所的にのみ存在するため、相対的なポーズ情報はネットワークの中間層で失われる。
  論文  参考訳（メタデータ） (2024-03-17T06:40:50Z)
• The Fisher-Rao geometry of CES distributions [50.50897590847961]
  Fisher-Rao情報幾何学は、ツールを微分幾何学から活用することができる。 楕円分布の枠組みにおけるこれらの幾何学的ツールの実用的利用について述べる。
  論文  参考訳（メタデータ） (2023-10-02T09:23:32Z)
• Exploring Data Geometry for Continual Learning [64.4358878435983]
  非定常データストリームのデータ幾何を探索することにより,新しい視点から連続学習を研究する。 提案手法は,新しいデータによって引き起こされる幾何構造に対応するために,基底空間の幾何学を動的に拡張する。 実験により,本手法はユークリッド空間で設計したベースライン法よりも優れた性能が得られることが示された。
  論文  参考訳（メタデータ） (2023-04-08T06:35:25Z)
• LMBAO: A Landmark Map for Bundle Adjustment Odometry in LiDAR SLAM [2.218316486552747]
  既存のLiDARオドメトリーは、単に以前の固定位置スキャンと反復的に新しいスキャンと一致し、徐々にエラーを蓄積する傾向にある。 この手紙は、これらの問題を解決するためにLiDAR SLAMにおけるバンドル調整オドメトリー(LMBAO)のランドマークマップと呼ばれる新しい戦略を設計した。 具体的には,スライディングウィンドウにおける特徴点のみでなく,地図上の安定なランドマーク全体を保存し,アクティブグレードに応じてランドマークを削除する。
  論文  参考訳（メタデータ） (2022-09-19T07:48:28Z)
• Enhancing Local Geometry Learning for 3D Point Cloud via Decoupling Convolution [10.449455311881398]
  そこで我々は,局所幾何学の学習を促進できる,単純かつ効果的なアーキテクチャ単位として,ラプラシアン単位(LU)を提案する。 LUは、典型的なクラウド理解タスクにおいて、競争力または優れたパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-07-04T03:49:13Z)
• A Unifying and Canonical Description of Measure-Preserving Diffusions [60.59592461429012]
  ユークリッド空間における測度保存拡散の完全なレシピは、最近、いくつかのMCMCアルゴリズムを単一のフレームワークに統合した。 我々は、この構成を任意の多様体に改善し一般化する幾何学理論を開発する。
  論文  参考訳（メタデータ） (2021-05-06T17:36:55Z)
• GELATO: Geometrically Enriched Latent Model for Offline Reinforcement Learning [54.291331971813364]
  オフライン強化学習アプローチは、近近法と不確実性認識法に分けられる。 本研究では,この2つを潜在変動モデルに組み合わせることのメリットを実証する。 提案したメトリクスは、分布サンプルのアウトの品質と、データ内のサンプルの不一致の両方を測定します。
  論文  参考訳（メタデータ） (2021-02-22T19:42:40Z)

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。