論文の概要: Real-Time LiDAR Gaussian Splatting SLAM
- arxiv url: http://arxiv.org/abs/2607.04127v1
- Date: Sun, 05 Jul 2026 05:55:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-07 22:26:29.836555
- Title: Real-Time LiDAR Gaussian Splatting SLAM
- Title（参考訳）: リアルタイムLiDARガウス平滑化SLAM
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 2.0524609401792397
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present a real-time LiDAR-based framework for Gaussian Splatting SLAM that tightly couples fast G-ICP registration with spherical rasterization-based dense mapping for large-scale sequences. Leveraging LiDAR geometry rather than appearance, we reuse tracking-estimated local covariances to initialize Gaussians with range-aware scales and to derive surface normals for geometry-aware map optimization. We further introduce a covariance-derived geometry score that measures local complexity and drives pruning in planar regions and selective densification in structurally rich areas, while optimized Gaussians and LiDAR-specific confidence cues are fed back to improve tracking robustness. On the Newer College dataset, our method achieves an F-score of 86.78\% using purely online trajectories at real-time speed ($>$20 FPS), and additional experiments on other datasets confirm its stability and scalability.
- Abstract（参考訳）: 高速G-ICP登録と球状ラスタライゼーション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したガウススティングSLAMのためのリアルタイムLiDARベースのフレームワークを提案する。
外観よりもLiDAR幾何を活用することで、追跡推定された局所共分散を再利用し、レンジ対応スケールでガウスを初期化し、幾何対応マップ最適化のための表面正規化を導出する。
さらに, 局所的複雑度を測定し, 平面領域でのプルーニング, 構造的にリッチな領域での選択的密度化を推し進める共分散型幾何スコアを導入するとともに, ガウスおよびLiDAR固有の信頼度キューをフィードバックし, ロバスト性の向上を図る。
ニューアー・カレッジのデータセットでは、オンライントラジェクトリをリアルタイムに(20FPS以上)利用して86.78\%のFスコアを達成し、他のデータセットのさらなる実験により安定性とスケーラビリティが確認された。
関連論文リスト
- GLAM-SLAM: Real-time Gaussian Large-scale Mapping via Flow Densification and Spatial Decomposition [15.113183931728814]
本稿では,リアルタイムに分離したガウス分割SLAMシステムであるGLAM-SLAMを提案する。
堅牢で機能ベースのSLAMを使用して、軽量なトラッキングを保証します。
構造化されたスパースなアンカーグリッド表現を採用し、スケーラブルな操作を保証し、長期的シーケンスをまたいだシーンを維持する。
我々は,困難かつ長周期なKITTI Odometry,Oxford RobotCar,M Splatalagaデータセットについて評価を行った。
論文 参考訳（メタデータ） (2026-07-23T15:22:42Z) - Structured-Li-GS: Structured 3D Gaussians Splatting with LiDAR Incorporation and Spatial Constraints [5.142415132534398]
LiDAR統合によるガウス鋳型(3DGS)の構造的枠組み(構造化Li-GS)
構造化Li-GSは、高精度で密度の高い色の点雲をトレーニングすることで、より少ないガウスで高品質な3D再構成を実現する。
ハードウェア同期型LiDARカメラハンドヘルドスキャナを試作した。
論文 参考訳（メタデータ） (2026-06-25T19:49:22Z) - Point-Cloud-Assistant Localized Statistical Channel Prediction by Tangent Gaussian Splatting [27.51525749430508]
Emphpoint-cloud-assisted tangent splatting (PC-TGS) は、非測定屋外グリッドのための最初のフレームワークである。
PC-TGSは環境散乱体を異方性3Dガウスとして表現している。
その結果,PC-TGSが大規模無線デジタル双生児の幾何学的認識とデータ効率の高いチャネル予測を可能にする可能性が示唆された。
論文 参考訳（メタデータ） (2026-06-17T06:23:00Z) - RMGS-SLAM: Real-time Multi-sensor Gaussian Splatting SLAM [19.6725809458616]
実時間ポーズ推定とマッピングのための密結合型LiDAR-Inertial-Visual 3DGSベースのSLAMフレームワークを提案する。
提案手法は, リアルタイムの効率, ローカライズ精度, レンダリング品質において, 様々な実世界のシーンにまたがる品質を実現する。
論文 参考訳（メタデータ） (2026-04-14T16:36:11Z) - GS^2: Graph-based Spatial Distribution Optimization for Compact 3D Gaussian Splatting [50.2045409672451]
3D Gaussian Splatting (3DGS)は、新しいビュー合成とリアルタイムレンダリングにおいて画期的な性能を示した。
大量のガウス点があるため、高いメモリコストに制約される。
コンパクトな3DGSのためのグラフベースの空間分布最適化を提案する。
論文 参考訳（メタデータ） (2026-04-02T10:41:51Z) - SVRecon: Sparse Voxel Rasterization for Surface Reconstruction [60.92372415355283]
我々は最近提案されたスパースボキセル化パラダイムをSVReconの統合により高忠実度表面再構成の課題に拡張する。
本手法は, 常に高速な収束を保ちながら, 強い復元精度を実現する。
論文 参考訳（メタデータ） (2025-11-21T16:32:01Z) - Pseudo Depth Meets Gaussian: A Feed-forward RGB SLAM Baseline [64.42938561167402]
本稿では,3次元ガウス型SLAMとフィードフォワードリカレント予測モジュールを組み合わせたオンライン3次元再構成手法を提案する。
このアプローチは、遅いテスト時間の最適化を高速なネットワーク推論に置き換え、トラッキング速度を大幅に改善する。
提案手法は,最先端のSplaTAMと同等の性能を示しながら,追跡時間を90%以上削減する。
論文 参考訳（メタデータ） (2025-08-06T16:16:58Z) - Geometric Operator Learning with Optimal Transport [77.16909146519227]
複素測地上での偏微分方程式(PDE)に対する演算子学習に最適輸送(OT)を統合することを提案する。
表面に焦点を当てた3次元シミュレーションでは、OTベースのニューラルオペレーターが表面形状を2次元パラメータ化潜在空間に埋め込む。
ShapeNet-Car と DrivAerNet-Car を用いたレイノルズ平均化 Navier-Stokes 方程式 (RANS) を用いた実験により,提案手法は精度の向上と計算コストの削減を図った。
論文 参考訳（メタデータ） (2025-07-26T21:28:25Z) - LiDAR-GS:Real-time LiDAR Re-Simulation using Gaussian Splatting [53.58528891081709]
都市景観におけるLiDARスキャンをリアルタイムかつ高忠実に再現するLiDAR-GSを提案する。
この手法は,公開可能な大規模シーンデータセットのレンダリングフレームレートと品質の両面において,最先端の結果を達成する。
論文 参考訳（メタデータ） (2024-10-07T15:07:56Z) - SLAIM: Robust Dense Neural SLAM for Online Tracking and Mapping [15.63276368052395]
ニューラルラジアンスフィールドSLAM(NeRF-SLAM)に適した,新しい粗い粒度追跡モデルを提案する。
既存の NeRF-SLAM システムは、従来の SLAM アルゴリズムに比べて、追跡性能が劣っている。
局所バンドル調整とグローバルバンドル調整の両方を実装し、ロバストな(粗大な)(KL正規化器)と正確な(KL正規化器)SLAMソリューションを生成する。
論文 参考訳（メタデータ） (2024-04-17T14:23:28Z) - Pushing the Envelope of Rotation Averaging for Visual SLAM [69.7375052440794]
視覚SLAMシステムのための新しい最適化バックボーンを提案する。
従来の単分子SLAMシステムの精度, 効率, 堅牢性を向上させるために, 平均化を活用している。
我々のアプローチは、公開ベンチマークの最先端技術に対して、同等の精度で最大10倍高速に表示することができる。
論文 参考訳（メタデータ） (2020-11-02T18:02:26Z)
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。