論文の概要: DIVO: Continuous-time DVL-Inertial-Visual Odometry for Unmanned Underwater Vehicles

• arxiv url: http://arxiv.org/abs/2607.04615v1
• Date: Mon, 06 Jul 2026 02:47:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:30.015852
• Title: DIVO: Continuous-time DVL-Inertial-Visual Odometry for Unmanned Underwater Vehicles
• Title（参考訳）: DIVO:無人水中車両の連続DVL-慣性ビジュアルオドメトリー
• Abstract要約: 本稿では,連続時間軌道推定フレームワークを利用した新しい音響-視覚-慣性オドメトリー法を提案する。 提案システムは実世界の水中検査データセットで広範囲に検証されている。 最先端のビジュアル・慣性および音響・視覚・慣性SLAMアルゴリズムを精度、堅牢性、軌道のカバレッジで上回る。
• 参考スコア（独自算出の注目度）: 5.099953098986464
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents a novel acoustic-visual-inertial odometry solution leveraging a continuous-time trajectory estimation framework for unmanned underwater vehicles. Underwater environments present unique challenges for visual localization and mapping, such as light attenuation, illumination variance, and the presence of particulate matter. This motivates the use of additional sensing modalities and a visual tracking pipeline that is robust to diverse subsea conditions. The proposed system is the first continuous-time trajectory estimation framework based on Gaussian processes to fuse asynchronous measurements from a Doppler velocity log, a stereo camera, and an inertial measurement unit. Additionally, a novel visual frontend is proposed, incorporating learning-based feature extraction and matching that is robust to the specific challenges that subsea environments present. The proposed framework enables seamless integration of additional sensor modalities in continuous-time and is adaptable to different environments without reconfiguration. The proposed system is extensively tested on real-world underwater inspection datasets, where it outperforms state-of-the-art visual-inertial and acoustic-visual-inertial SLAM algorithms in accuracy, robustness, and trajectory coverage. Notably, the proposed system outperforms the state-of-the-art despite only forming short-term visual data associations.
• Abstract（参考訳）: 本稿では,無人水中車両における連続時間軌道推定フレームワークを活用した新しい音響-視覚-慣性音波計測手法を提案する。 水中環境は、光の減衰、照明のばらつき、粒子状物質の存在など、視覚的局所化とマッピングに固有の課題を呈している。 これは、様々な海底条件に対して堅牢な視覚的追跡パイプラインと追加のセンシングモダリティの使用を動機付けている。 提案システムは,ドップラー速度ログ,ステレオカメラ,慣性測定ユニットから非同期計測を融合させる,ガウス過程に基づく最初の連続時間軌道推定フレームワークである。 さらに,海底環境に存在する特定の課題に対して頑健な学習に基づく特徴抽出とマッチングを取り入れた新しい視覚フロントエンドを提案する。 提案するフレームワークは,センサモードを連続的にシームレスに統合し,再構成せずに異なる環境に適応することができる。 提案システムは実世界の水中検査データセットで広範囲にテストされ、最先端のビジュアル・慣性および音響・視覚・慣性SLAMアルゴリズムを精度、堅牢性、軌道のカバレッジで上回っている。 特に,短期的な視覚データアソシエーションの形成にもかかわらず,提案システムは最先端のシステムよりも優れていた。

関連論文リスト

• APVI-SLAM: Real-Time Acoustic-Pressure-Visual-Inertial Localization and Photorealistic Mapping System in Complex Underwater Environment [22.489669412924346]
  APVI-SLAM(APVI-SLAM)は、水中の正確な位置決めと光リアルマッピングを実現するリアルタイムマルチセンサー融合SLAMシステムである。 本手法では,センサ推定器を動的に再重み付けする信頼性を考慮したローカライゼーションフレームワークを提案する。 高忠実度シーン再構築のために,効率的なクワッドツリー誘導マッピングモジュールを提案する。
  論文  参考訳（メタデータ） (2026-07-07T12:45:57Z)
• CT-VIR: Continuous-Time Visual-Inertial-Ranging Fusion for Indoor Localization with Sparse Anchors [8.090575303185078]
  本稿では,視覚慣性配列(VIR)融合ローカライゼーションのための連続時間状態推定法を提案する。 イントロダクタ、ビジュアル、およびレンジリング制約は、スライドウインドウグラフの因子として定式化される。 パブリックデータセットと実世界の実験による評価は,提案手法の有効性と実用性を示すものである。
  論文  参考訳（メタデータ） (2026-04-16T02:23:57Z)
• Enhancing Eye Feature Estimation from Event Data Streams through Adaptive Inference State Space Modeling [68.1289208938377]
  イベントベースのデータストリームから目の特徴抽出を効率的かつ低エネルギーで行うことができる。 本稿では,特徴抽出のための新しいアーキテクチャである強調型推論状態空間モデル(AISSM)を紹介する。 また、トレーニング効率を向上させる新しい学習手法を開発・評価する。
  論文  参考訳（メタデータ） (2026-03-14T18:47:08Z)
• Stereo-Inertial Poser: Towards Metric-Accurate Shape-Aware Motion Capture Using Sparse IMUs and a Single Stereo Camera [54.967647497048205]
  本稿では,距離精度と形状を考慮した3次元動作を推定するリアルタイムモーションキャプチャシステムであるStereo-Inertial Poserを提案する。 モノクラーRGBをステレオビジョンに置き換え、直接3次元キーポイント抽出と形状パラメータ推定を可能にした。 ドリフトフリーなグローバル翻訳を長い記録時間で生成し,フットスケート効果を低減させる。
  論文  参考訳（メタデータ） (2026-03-02T17:46:38Z)
• FAR-AVIO: Fast and Robust Schur-Complement Based Acoustic-Visual-Inertial Fusion Odometry with Sensor Calibration [7.394651310128268]
  水中ロボットに適した音響・視覚・慣性計測フレームワークであるFAR-AVIOについて述べる。 私たちの実装はhttps://far-vido.gitbook.io/far-vido-docs.comでオープンソースソフトウェアとしてリリースされました。
  論文  参考訳（メタデータ） (2025-12-23T13:36:47Z)
• NOVA: Navigation via Object-Centric Visual Autonomy for High-Speed Target Tracking in Unstructured GPS-Denied Environments [56.35569661650558]
  我々はNOVAというオブジェクト中心のフレームワークを導入し、ロバストな目標追跡と衝突認識ナビゲーションを可能にした。 グローバルマップを構築するのではなく、NOVAはターゲットの参照フレーム内での知覚、推定、制御を定式化する。 我々は,都市迷路や森林の小道,間欠的なGPS損失を伴う建物内の繰り返し遷移など,現実の挑戦的なシナリオにまたがってNOVAを検証する。
  論文  参考訳（メタデータ） (2025-06-23T14:28:30Z)
• Inference-Time Gaze Refinement for Micro-Expression Recognition: Enhancing Event-Based Eye Tracking with Motion-Aware Post-Processing [2.5465367830324905]
  イベントベースの視線追跡は、きめ細かい認知状態の推測に重要な可能性を秘めている。 本稿では、既存の事象に基づく視線推定モデルの出力を高めるために、モデルに依存しない推論時間改善フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-14T14:48:11Z)
• AQUA-SLAM: Tightly-Coupled Underwater Acoustic-Visual-Inertial SLAM with Sensor Calibration [9.727021664098485]
  本稿では, 密結合型音響-視覚-慣性SLAM手法を提案する。 グラフ最適化フレームワーク内に、ドップラー速度ログ(DVL)、ステレオカメラ、慣性測定ユニット(IMU)を融合させる。 本手法は, 位置推定精度とロバスト性の観点から, 現在最先端の水中・ビジュアル・慣性SLAMシステムを超えていることを示す。
  論文  参考訳（メタデータ） (2025-03-14T14:03:33Z)
• LEAP-VO: Long-term Effective Any Point Tracking for Visual Odometry [53.5449912019877]
  本稿では,LEAP(Long-term Effective Any Point Tracking)モジュールについて述べる。 LEAPは、動的トラック推定のために、視覚的、トラック間、時間的キューと慎重に選択されたアンカーを革新的に組み合わせている。 これらの特徴に基づき,強靭な視力計測システムLEAP-VOを開発した。
  論文  参考訳（メタデータ） (2024-01-03T18:57:27Z)
• Spatio-Temporal Recurrent Networks for Event-Based Optical Flow Estimation [47.984368369734995]
  本稿では,イベントベース光フロー推定のためのニューラルネットアーキテクチャを提案する。 このネットワークは、Multi-Vehicle Stereo Event Cameraデータセット上で、セルフ教師付き学習でエンドツーエンドにトレーニングされている。 既存の最先端の手法を大きなマージンで上回る結果が得られた。
  論文  参考訳（メタデータ） (2021-09-10T13:37:37Z)
• A Generative Learning Approach for Spatio-temporal Modeling in Connected Vehicular Network [55.852401381113786]
  本稿では,コネクテッドカーの無線アクセス遅延を実現するための総合的時間品質フレームワークであるLaMI(Latency Model Inpainting)を提案する。 LaMIはイメージインペイントと合成のアイデアを採用し、2段階の手順で欠落したレイテンシサンプルを再構築することができる。 特に、パッチ方式のアプローチを用いて各地域で収集されたサンプル間の空間的相関を初めて発見し、その後、原点および高度に相関したサンプルをバラエナオートコーダ(VAE)に供給する。
  論文  参考訳（メタデータ） (2020-03-16T03:43:59Z)

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。