論文の概要: Accelerating Large-scale Bundle Adjustment for LiDAR Mapping via Parallel Computing

• arxiv url: http://arxiv.org/abs/2608.14266v1
• Date: Fri, 14 Aug 2026 12:43:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-17 20:14:29.38333
• Title: Accelerating Large-scale Bundle Adjustment for LiDAR Mapping via Parallel Computing
• Title（参考訳）: 並列計算によるLiDARマッピングのための大規模バンドル調整の高速化
• Abstract要約: LiDARバンドルの調整は、グローバルに一貫した点クラウドマップを構築するために、マッピングに広く利用されている。 大規模マッピングのためのLiDARバンドル調整を高速化する,最初の完全並列計算フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 11.183148854053066
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: LiDAR bundle adjustment is widely utilized in mapping to construct globally consistent point cloud maps. In this paper, we propose the first fully parallel computing framework to accelerate LiDAR bundle adjustment for large-scale mapping, incorporating three key techniques. First, we design an adaptive, asynchronous data loading strategy to efficiently process large-scale point cloud datasets on memory-constrained GPUs. Secondly, we present a novel bottom-up voxelization method for extracting planar features, enabling fully parallelized pre-processing. Thirdly, we build upon a majorization-minimization formulation to accelerate compute-intensive tasks in the optimization via parallel computation, including the computation of residuals, Jacobian and Hessian matrices, and a parallel increment solver. To support our design, we provide both theoretical and experimental analysis of the time complexity of our approach. Extensive benchmarking on large-scale public datasets across various computational platforms validates the robustness and adaptability of our approach, achieving up to a tenfold improvement in computational efficiency while preserving mapping accuracy comparable to state-of-the-art methods. To benefit future research, the implementation code is available on GitHub.
• Abstract（参考訳）: LiDARバンドルの調整は、グローバルに一貫した点クラウドマップを構築するために、マッピングに広く利用されている。 本稿では,大規模マッピングのためのLiDARバンドル調整を高速化する,最初の完全並列計算フレームワークを提案する。 まず、メモリに制約のあるGPU上で大規模クラウドデータセットを効率的に処理するための適応型非同期データローディング戦略を設計する。 次に、平面特徴を抽出し、完全に並列化された前処理を可能にする新しいボトムアップボキセル化法を提案する。 第3に、並列計算による計算集約タスクを高速化するために、大規模化最小化式を構築し、残差計算、ヤコビ行列およびヘッセン行列の計算、および並列増分解器について述べる。 設計を支援するため,提案手法の時間的複雑さに関する理論的および実験的解析を行った。 様々な計算プラットフォームにわたる大規模公開データセットの大規模なベンチマークは、我々のアプローチの堅牢性と適応性を検証し、最先端の手法に匹敵するマッピング精度を維持しながら、計算効率を最大10倍に向上させる。 将来の研究の恩恵を受けるため、実装コードはGitHubで入手できる。

関連論文リスト

• Diff3R: Feed-forward 3D Gaussian Splatting with Uncertainty-aware Differentiable Optimization [76.38917994186733]
  Diff3Rはフィードフォワード予測とテストタイム最適化をブリッジする新しいフレームワークである。 フィードフォワード3DGSアーキテクチャにシームレスに統合でき、ポーズギヴン法とポーズフリー法の両方に対応できることを示す。
  論文  参考訳（メタデータ） (2026-04-01T15:40:20Z)
• Eliminating Multi-GPU Performance Taxes: A Systems Approach to Efficient Distributed LLMs [61.953548065938385]
  分析フレームワークとして'3つの税'(バルク同期、カーネル間データローカリティ、カーネルローンチオーバーヘッド)を紹介した。 我々は、分散GPU実行におけるキー非効率に対処するために、厳密なBSPモデルを超えて移動することを提案する。 BSPベースのアプローチによるエンドツーエンドのレイテンシの10-20%の高速化を観察する。
  論文  参考訳（メタデータ） (2025-11-04T01:15:44Z)
• Micro-Structures Graph-Based Point Cloud Registration for Balancing Efficiency and Accuracy [5.70403503863614]
  マイクロ構造グラフに基づくグローバルポイントクラウド登録手法を提案する。 提案手法は3DMatch と ETH のデータセットでよく機能する。
  論文  参考訳（メタデータ） (2024-10-29T08:36:23Z)
• MobiZO: Enabling Efficient LLM Fine-Tuning at the Edge via Inference Engines [28.18421624702502]
  本稿では,大規模言語モデル(LLM)のための資源効率の高い微調整フレームワークであるMobiZOを紹介する。 MobiZOは、微調整精度を向上しつつ、実行時の大幅な高速化とメモリ節約を実現する。 MobiZOは、微調整精度を向上しつつ、実行時の大幅なスピードアップとメモリ節約を実現している。
  論文  参考訳（メタデータ） (2024-09-23T20:14:09Z)
• OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
  学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。 OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。 最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
  論文  参考訳（メタデータ） (2024-09-14T07:44:22Z)
• Vaporetto: Efficient Japanese Tokenization Based on Improved Pointwise Linear Classification [2.2125465557153756]
  本稿では,ポイントワイド線形分類(PLC)フレームワークに基づく日本語トークン化のランタイム効率向上のためのアプローチを提案する。 PLCフレームワークの特性とタスク定義を活用することでトークン化を最適化する。
  論文  参考訳（メタデータ） (2024-06-24T23:47:20Z)
• Multi-Level Aggregation and Recursive Alignment Architecture for Efficient Parallel Inference Segmentation Network [18.47001817385548]
  セグメンテーションタスク用にカスタマイズされた並列推論ネットワークを提案する。 実時間速度を確保するために浅いバックボーンを使用し、モデル容量の削減と精度の向上のために3つのコアコンポーネントを提案する。 我々のフレームワークは、CityscapesとCamVidデータセットの最先端のリアルタイム手法よりも、速度と精度のバランスが良くなっている。
  論文  参考訳（メタデータ） (2024-02-03T22:51:17Z)
• Accelerating Exact Combinatorial Optimization via RL-based Initialization -- A Case Study in Scheduling [1.3053649021965603]
  本研究の目的は、最適化問題に対処する機械学習(ML)を用いた革新的なアプローチを開発することである。 1) 粗粒スケジューラとしての解法, 2) 解緩和, 3) ILPによる正確な解法の3つのステップを含む新しい2段階のRL-to-ILPスケジューリングフレームワークを導入する。 提案フレームワークは, 正確なスケジューリング手法と比較して, 最大128ドルの高速化を実現しつつ, 同一のスケジューリング性能を示す。
  論文  参考訳（メタデータ） (2023-08-19T15:52:43Z)
• Improved Distribution Matching for Dataset Condensation [91.55972945798531]
  本稿では,分布マッチングに基づく新しいデータセット凝縮法を提案する。 提案手法は,計算資源の少ない従来の最適化指向手法よりも優れている。
  論文  参考訳（メタデータ） (2023-07-19T04:07:33Z)
• Sketching as a Tool for Understanding and Accelerating Self-attention for Long Sequences [52.6022911513076]
  トランスフォーマーベースのモデルは、自己アテンションモジュールの二次空間と時間的複雑さのために、長いシーケンスを処理するのに効率的ではない。 我々はLinformerとInformerを提案し、低次元投影と行選択により2次複雑性を線形(モジュラー対数因子)に還元する。 理論的解析に基づいて,Skeinformerを提案することにより,自己注意の促進と,自己注意への行列近似の精度の向上を図ることができる。
  論文  参考訳（メタデータ） (2021-12-10T06:58:05Z)
• Kernel methods through the roof: handling billions of points efficiently [94.31450736250918]
  カーネル法は、非パラメトリック学習に対するエレガントで原則化されたアプローチを提供するが、今のところ大規模な問題ではほとんど利用できない。 最近の進歩は、最適化、数値線形代数、ランダム射影など、多くのアルゴリズム的アイデアの利点を示している。 ここでは、これらの取り組みをさらに進めて、GPUハードウェアを最大限に活用する解決器を開発し、テストする。
  論文  参考訳（メタデータ） (2020-06-18T08:16:25Z)
• aphBO-2GP-3B: A budgeted asynchronous parallel multi-acquisition functions for constrained Bayesian optimization on high-performing computing architecture [4.738678765150249]
  非同期制約付きバッチ並列ベイズ最適化法を提案する。 この方法の利点は3倍である。 aphBO-2GP-3Bフレームワークは2つの高忠実度産業応用を用いて実証されている。
  論文  参考訳（メタデータ） (2020-03-20T18:02:27Z)

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。