論文の概要: WNOJ-LIO: A White-Noise-on-Jerk Motion-Prior EKF for High-Dynamic LiDAR-IMU Fusion
- arxiv url: http://arxiv.org/abs/2607.13405v1
- Date: Wed, 15 Jul 2026 03:07:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-16 16:39:12.628836
- Title: WNOJ-LIO: A White-Noise-on-Jerk Motion-Prior EKF for High-Dynamic LiDAR-IMU Fusion
- Title（参考訳）: WNOJ-LIO:高ダイナミックLiDAR-IMU核融合のためのホワイトノイズ・オン・ジェルク動翼EKF
- Authors: Junning Lyu, Qizhi Guo, Xia Ning, Tao Song, Shaoming He,
- Abstract要約: WNOJ-LIOはWhite-Noise-on-Jerk(WNOJ)拡張カルマンフィルタ(EKF)に基づくLiDAR-IMU融合フレームワークである
本稿では,White-Noise-on-Jerk(WNOJ)拡張カルマンフィルタ(EKF)に基づくLiDAR-IMU融合フレームワークWNOJ-LIOを提案する。
- 参考スコア（独自算出の注目度）: 8.088340425767125
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: LiDAR-inertial odometry (LIO) is a key component of autonomous navigation, but high-dynamic driving exposes two coupled challenges: intra-scan motion distortion and vibration-contaminated inertial measurements. Most real-time LiDAR-inertial pipelines propagate the system state by integrating raw IMU measurements and then use the propagated trajectory for point cloud de-distortion, thereby propagating inertial noise into both the corrected scan and the subsequent scan-to-map registration. This paper presents WNOJ-LIO, a LiDAR-IMU fusion framework based on a White-Noise-on-Jerk (WNOJ) Extended Kalman Filter (EKF). WNOJ-LIO employs a decoupled WNOJ prior on $\R^3 \times \SO(3)$ for state prediction and treats the IMU as a high-frequency measurement source rather than the driver of state propagation. The resulting posterior state history is then used for LiDAR scan de-distortion and subsequent point-to-plane LiDAR updates. The decoupled process model enables closed-form covariance propagation, thereby bridging the gap between batch WNOJ Gaussian process (GP) trajectory priors and recursive filtering. Simulation results demonstrate improvements in acceleration and angular-velocity denoising, scan de-distortion, and localization accuracy over a FAST-LIO-style baseline. Real-world experiments were conducted using an autonomous racing car on four driving segments with maximum speeds ranging from 53 to 208~km/h, covering a wide range of vehicle vibration levels. The experiments further validate the proposed method and provide a comprehensive evaluation of its performance in estimating acceleration, angular velocity, body-frame linear velocity, attitude, and position under highly dynamic driving. The source code of WNOJ-LIO is publicly available at https://github.com/LvJohny/wnoj-ekf-lio.git.
- Abstract（参考訳）: LIO(LiDAR-inertial odometry)は自律航法において重要な要素であるが、高ダイナミック駆動は、スキャン内運動歪みと振動汚染慣性測定という2つの複合的な課題を露呈する。
ほとんどのリアルタイムLiDAR慣性パイプラインは、生のIMU測定を統合してシステムの状態を伝播し、その伝播軌跡を点雲の歪曲に用いて、修正スキャンとその後のスキャン・ツー・マップ登録の両方に慣性ノイズを伝搬する。
本稿では,White-Noise-on-Jerk(WNOJ)拡張カルマンフィルタ(EKF)に基づくLiDAR-IMU融合フレームワークであるWNOJ-LIOを提案する。
WNOJ-LIOは、状態予測のために$\R^3 \times \SO(3)$の前に分離されたWNOJを使用し、IMUを状態伝搬のドライバではなく高周波測定源として扱う。
結果として得られた後続状態履歴は、LiDARスキャンの歪曲とその後のポイント・ツー・プレーンのLiDAR更新に使用される。
分離されたプロセスモデルにより、クローズドフォームの共分散伝搬が可能となり、バッチWNOJガウス過程(GP)軌道と再帰フィルタリングの間のギャップを埋める。
シミュレーションの結果,FAST-LIO方式のベースライン上での加速度,角速度デノイング,走査変形,局所化精度の向上が示された。
実世界の実験は、53～208～km/hの最大速度を持つ4つの走行区間で、幅広い車両振動レベルをカバーする自律走行車を用いて行われた。
提案手法をさらに検証し, 高速運転時の加速度, 角速度, 体軸線速度, 姿勢, 位置を推定するための総合評価を行った。
WNOJ-LIOのソースコードはhttps://github.com/LvJohny/wnoj-ekf-lio.gitで公開されている。
関連論文リスト
- FAR-LIO: Enabling High-Speed Autonomy through Fast, Accurate, and Robust LiDAR-Inertial Odometry [5.6873825929051165]
本稿では,高速,高精度,ロバスト性能のために開発された,高度に最適化されたLiDAR慣性オドメトリーフレームワークであるFAR-LIOを紹介する。
我々は,適応密度を持つ空間認識型一般化反復閉点アルゴリズムを用いて,精度を損なうことなく低レイテンシを実現する。
FAR-LIOは,最大250km/hの速度で走行する2台の自律レースカーの公用データセットとデータの両方を用いて,4種類のセンサー構成で評価する。
論文 参考訳（メタデータ） (2026-06-24T16:30:51Z) - UNRIO: Uncertainty-Aware Velocity Learning for Radar-Inertial Odometry [16.577608323279662]
UNRIOは、不確実性を認識したレーダー慣性オドメトリーシステムである。
生のmmWaveレーダーIQ信号から直接エゴ速度を推定する。
論文 参考訳（メタデータ） (2026-04-15T07:43:06Z) - Physics-Informed Reinforcement Learning of Spatial Density Velocity Potentials for Map-Free Racing [73.88859384645264]
Out-Of-Distribution (OOD) の様々なレーストラックへの一般化は、機械学習(ML)を用いて、エンドツーエンド制御のためのセンサデータと車両アクチュエーターの間の数学的関係を符号化する。
本稿では,非幾何学的,物理インフォームド報酬を用いた深度測定のスペクトル分布から非線形車両動特性をパラメータ化して,ニューラルネットワーク(ANN)による車両の時間最適・乗換レース制御を推定するDRL法を提案する。
このポリシーは、経験的なパセジカタイヤモデルに似たタイヤのダイナミックスで摩擦円を最大化することで、OODトラックの12%で人間のデモより優れています。
論文 参考訳（メタデータ） (2026-04-10T17:12:07Z) - DriveFlow: Rectified Flow Adaptation for Robust 3D Object Detection in Autonomous Driving [85.14946767994932]
DriveFlowは、自律運転におけるデータ強化をトレーニングするためのRectified Flow Adaptation法である。
これは、精密な3次元オブジェクト形状を維持するために、フォアグラウンドの高周波アライメント損失を組み込む。
また、バックグラウンドをデュアル周波数で最適化し、編集の柔軟性とセマンティック一貫性のバランスをとる。
論文 参考訳（メタデータ） (2025-11-24T03:12:43Z) - Full waveform inversion with CNN-based velocity representation extension [4.255346660147713]
フルウェーブフォームインバージョン(FWI)は、観測データとシミュレーションデータとの差を最小限にして速度モデルを更新する。
数値モデリングおよび不完全地震データ取得における離散化誤差は、隣接演算子を介して伝搬するノイズを導入することができる。
我々は、前方シミュレーションを実行する前に速度モデルを洗練するために畳み込みニューラルネットワーク(CNN)を用いる。
速度とネットワークパラメータの両方を更新するために、同じデータ不適合損失を使用して、自己教師付き学習手順を作成します。
論文 参考訳（メタデータ） (2025-04-22T12:14:38Z) - Physical spline for denoising object trajectory data by combining splines, ML feature regression and model knowledge [0.0]
本稿では,騒音測定データから動的駆動状態(位置,速度,加速度,方向)を推定する方法を提案する。
提案手法は完全な観測と部分的な観測の両方に有効である。
論文 参考訳（メタデータ） (2025-04-08T19:53:57Z) - SuperFlow++: Enhanced Spatiotemporal Consistency for Cross-Modal Data Pretraining [62.433137130087445]
SuperFlow++は、連続するカメラペアを使用して事前トレーニングと下流タスクを統合する新しいフレームワークである。
SuperFlow++は様々なタスクや運転条件で最先端のメソッドよりも優れています。
強力な一般化性と計算効率により、SuperFlow++は、自動運転におけるデータ効率の高いLiDARベースの認識のための新しいベンチマークを確立する。
論文 参考訳（メタデータ） (2025-03-25T17:59:57Z) - ROLO-SLAM: Rotation-Optimized LiDAR-Only SLAM in Uneven Terrain with Ground Vehicle [49.61982102900982]
荒地における地上車両の姿勢推定精度を向上させるために,LiDARを用いたSLAM法を提案する。
累積誤差の低減を支援するために,グローバルスケールの因子グラフが確立されている。
その結果,ROLO-SLAMは地上車両の姿勢推定に優れ,既存のLiDAR SLAMフレームワークよりも優れていた。
論文 参考訳（メタデータ） (2025-01-04T02:44:27Z) - 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) - Learning "Look-Ahead" Nonlocal Traffic Dynamics in a Ring Road [2.2481284426718533]
基礎図とルックアヘッドカーネルを学習するために,物理インフォームドニューラルネットワークを開発した。
学習した非局所LWRは,3つの異なるシナリオにおいて,より正確な交通波伝搬予測が得られることを示す。
論文 参考訳（メタデータ） (2023-12-05T14:00:32Z) - Simultaneous boundary shape estimation and velocity field de-noising in
Magnetic Resonance Velocimetry using Physics-informed Neural Networks [70.7321040534471]
MRV(MR resonance velocimetry)は、流体の速度場を測定するために医療や工学で広く用いられている非侵襲的な技術である。
これまでの研究では、境界(例えば血管)の形状が先駆体として知られていた。
我々は、ノイズの多いMRVデータのみを用いて、最も可能性の高い境界形状と減音速度場を推定する物理インフォームニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2021-07-16T12:56:09Z)
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。