論文の概要: A Stereo Visual SLAM System Using Object-Level Motion Estimation and Geometric Filtering Based on Cross Disparity

• arxiv url: http://arxiv.org/abs/2607.02005v1
• Date: Thu, 02 Jul 2026 10:41:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-03 19:45:08.792794
• Title: A Stereo Visual SLAM System Using Object-Level Motion Estimation and Geometric Filtering Based on Cross Disparity
• Title（参考訳）: オブジェクトレベル運動推定と幾何学的フィルタリングを用いた立体視SLAMシステム
• Authors: Sujan Kumar Dhali, Bhaskar Dasgupta,
• Abstract要約: OCD SLAMはORB-SLAM2を拡張する動的ステレオビジュアルSLAMフレームワークである。 OCD SLAMは3Dオブジェクト検出モジュール(SMOKE)とカルマンフィルタに基づくオブジェクトトラッキングを統合し、オブジェクトレベルの動作分類を行う。 その結果, OCD SLAM は ORB-SLAM2 およびいくつかの最先端動的SLAM 法と比較して軌道精度を著しく向上することを示した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents OCD SLAM, a dynamic stereo visual SLAM framework that extends ORB-SLAM2 by jointly addressing dynamic objects and dynamic features in the scene. Usual visual SLAM systems operating in dynamic environments often fail in the presence of moving objects, due to the static-world assumption used in pose estimation and mapping. To address this predicament, we introduce a novel geometric approach based on the discrepancy between disparity and a newly proposed notion called ``cross disparity'', which exploits both temporal and stereo inconsistency to identify dynamic feature points. Complementary to this feature-level motion analysis, OCD SLAM integrates a 3D object detection module (SMOKE) with Kalman filter-based object tracking to perform object-level motion classification, enabling robust separation of static and dynamic scene elements for accurate pose estimation. The proposed approach has been evaluated on various sequences from the KITTI Odometry and KITTI Raw datasets. Results demonstrate that OCD SLAM achieves significant improvement in trajectory accuracy compared to ORB-SLAM2 and several state-of-the-art dynamic SLAM methods. Ablation studies further demonstrate the effectiveness of the cross disparity module in the KITTI Raw dataset and show that this method is able to detect dynamic features that are missed by the 3D object detection scheme alone.
• Abstract（参考訳）: 本稿では,ORB-SLAM2を拡張した動的ステレオ視覚SLAMフレームワークであるOCD SLAMについて述べる。 動的環境で動作する視覚的SLAMシステムは、ポーズ推定やマッピングに使用される静的世界仮定のため、移動物体の存在下では失敗することが多い。 そこで本研究では, 時間的不整合とステレオ的不整合を利用して動的特徴点を識別する, 相違点と「相違点」という新たな概念との相違に基づく, 新たな幾何学的アプローチを提案する。 この特徴レベルのモーション分析の補完として、OCD SLAMは3次元オブジェクト検出モジュール(SMOKE)とカルマンフィルタに基づくオブジェクトトラッキングを統合し、オブジェクトレベルのモーション分類を行い、静的および動的シーン要素の堅牢な分離を可能にし、正確なポーズ推定を行う。 提案手法は, KITTI Odometry と KITTI Raw のデータセットから様々なシーケンスで評価されている。 その結果, OCD SLAM は ORB-SLAM2 およびいくつかの最先端動的SLAM 法と比較して軌道精度を著しく向上することを示した。 アブレーション研究により,KITTI Rawデータセットにおけるクロス異方性モジュールの有効性がさらに証明され,この手法は3次元物体検出方式だけで欠落する動的特徴を検出できることが示されている。

関連論文リスト

• Flow4DGS-SLAM: Optical Flow-Guided 4D Gaussian Splatting SLAM [55.56111618153049]
  光学的流れによって誘導される動的3DGS SLAMのための効率的なフレームワークを提案する。 動的3DGSのトレーニング速度は,時間中心を明示的にモデル化することで向上する。 その結果, 追跡, 動的再構成, 訓練効率の両立が実証された。
  論文  参考訳（メタデータ） (2026-04-24T08:13:01Z)
• GGD-SLAM: Monocular 3DGS SLAM Powered by Generalizable Motion Model for Dynamic Environments [7.864663125771112]
  GGD-SLAMは、動的環境における局所化と高密度マッピングの課題に対処するために、一般化可能な運動モデルを利用するフレームワークである。 静的コンポーネントと動的コンポーネントを分離するために、動的機能拡張器と統合されている。 実世界の動的データセットを用いた実験により,カメラポーズ推定と動的シーンの高密度再構成において,提案方式が最先端の性能を達成することを示した。
  論文  参考訳（メタデータ） (2026-04-14T14:58:11Z)
• ADD-SLAM: Adaptive Dynamic Dense SLAM with Gaussian Splatting [12.846353008321394]
  ADD-SLAM: ガウス分割に基づくAdaptive Dynamic Dense SLAMフレームワーク。 シーン整合性解析に基づく適応的動的識別機構を設計する。 事前に定義されたセマンティックなカテゴリは必要とせず、シーンのダイナミクスを適応的に発見する。
  論文  参考訳（メタデータ） (2025-05-26T02:17:17Z)
• POMATO: Marrying Pointmap Matching with Temporal Motion for Dynamic 3D Reconstruction [53.19968902152528]
  POMATOは時間運動と一致する点マップを結合して動的3次元再構成を実現するための統合フレームワークである。 具体的には,RGB画素を動的および静的の両方の領域から3次元ポイントマップにマッピングすることで,明示的なマッチング関係を学習する。 本稿では,複数の下流タスクにまたがる顕著な性能を示すことによって,提案したポイントマップマッチングと時間融合のパラダイムの有効性を示す。
  論文  参考訳（メタデータ） (2025-04-08T05:33:13Z)
• WildGS-SLAM: Monocular Gaussian Splatting SLAM in Dynamic Environments [48.51530726697405]
  WildGS-SLAMは、動的環境を扱うために設計された、堅牢で効率的な単分子RGB SLAMシステムである。 本研究では,浅い多層パーセプトロンとDINOv2の特徴によって予測される不確実性マップを導入し,追跡とマッピングの両方において動的物体除去を誘導する。 その結果,WildGS-SLAMの動的環境における性能は最先端の手法に比べて優れていた。
  論文  参考訳（メタデータ） (2025-04-04T19:19:40Z)
• V3D-SLAM: Robust RGB-D SLAM in Dynamic Environments with 3D Semantic Geometry Voting [1.3493547928462395]
  動体とカメラのポーズの相関関係から,高度にダイナミックな環境下での同時位置決めとマッピング(SLAM)は困難である。 2つの軽量再評価段階を経て移動物体を除去するロバストな手法 V3D-SLAM を提案する。 TUM RGB-Dベンチマーク実験により,直近のSLAM法よりも高い性能を示した。
  論文  参考訳（メタデータ） (2024-10-15T21:08:08Z)
• 3DS-SLAM: A 3D Object Detection based Semantic SLAM towards Dynamic Indoor Environments [1.4901625182926226]
  3DS-SLAM, 3D Semantic SLAMを導入する。 3DS-SLAMは、意味的制約と幾何学的制約の両方を逐次解決する密結合アルゴリズムである。 TUM RGB-Dデータセットの動的シーケンスを平均98.01%改善している。
  論文  参考訳（メタデータ） (2023-10-10T07:48:40Z)
• MOTSLAM: MOT-assisted monocular dynamic SLAM using single-view depth estimation [5.33931801679129]
  MOTSLAMは動的ビジュアルSLAMシステムであり、動的オブジェクトのポーズとバウンディングボックスの両方を追跡する単分子構成を持つ。 KITTIデータセットを用いた実験により,カメラのエゴモーションとモノラルな動的SLAMでの物体追跡の両方において,我々のシステムが最高の性能を示した。
  論文  参考訳（メタデータ） (2022-10-05T06:07:10Z)
• DOT: Dynamic Object Tracking for Visual SLAM [83.69544718120167]
  DOTはインスタンスセグメンテーションとマルチビュー幾何を組み合わせて、動的オブジェクトのマスクを生成する。 実際にどのオブジェクトが動いているかを判断するために、DOTは、潜在的にダイナミックなオブジェクトの最初のインスタンスを抽出し、次に推定されたカメラモーションで、測光再投射誤差を最小限にして、そのようなオブジェクトを追跡する。 提案手法はORB-SLAM 2の精度とロバスト性を大幅に向上することを示す。
  論文  参考訳（メタデータ） (2020-09-30T18:36:28Z)

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。