論文の概要: HP2-SLAM: Adaptive Hybrid ICP for Robust and Efficient LiDAR SLAM
- arxiv url: http://arxiv.org/abs/2608.14996v1
- Date: Sat, 15 Aug 2026 02:52:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.156771
- Title: HP2-SLAM: Adaptive Hybrid ICP for Robust and Efficient LiDAR SLAM
- Title（参考訳）: HP2-SLAM:ロバストかつ効率的なLiDAR SLAMのための適応型ハイブリッドICP
- Abstract要約: We present HP2-SLAM, a minimalist yet robust LiDAR SLAM framework built around a neighborhood-size Adaptive Hybrid ICP。
我々の重要な洞察は、局所的な幾何学的構造と密度に基づいて動的に対応を分類する計画対応しきい値である。
この定式化は、機能エンジニアリング、学習モジュール、データセット固有のチューニングなしで、構造化および退化環境のアライメントを安定化する。
- 参考スコア（独自算出の注目度）: 6.455694912239999
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Achieving robustness, accuracy, and efficiency simultaneously remains a central challenge in light detection and ranging (LiDAR) simultaneous localization and mapping (SLAM). While learning-based approaches deliver strong benchmark performance, they often require extensive training, substantial computational resources, and struggle to generalize to unseen or degenerate environments. Geometry-based methods are efficient and interpretable, yet their performance degrades in planar or repetitive scenes due to limitations of standard iterative closest point (ICP) formulations. We present HP2-SLAM, a minimalist yet robust LiDAR SLAM framework built around a neighborhood-size adaptive hybrid ICP. Our key insight is a planarity-aware adaptive threshold that dynamically classifies correspondences based on local geometric structure and density, thereby enabling a principled balance between point-to-plane and point-to-point residuals. This formulation stabilizes alignment in both structured and degenerate environments without feature engineering, learning modules, or dataset-specific tuning. Integrated into a complete SLAM pipeline with submap management, loop closure detection, and pose graph optimization, HP2-SLAM consistently outperforms strong geometry-based baselines across publicly available datasets while maintaining real-time performance on commodity hardware. Our results demonstrate that carefully designed geometric adaptation can achieve strong generalization and robustness without sacrificing simplicity or efficiency.
- Abstract（参考訳）: 光検出と測光(LiDAR)の同時局所化とマッピング(SLAM)において、ロバスト性、精度、効率性を同時に達成することは、依然として中心的な課題である。
学習ベースのアプローチは強力なベンチマーク性能を提供するが、大規模なトレーニング、相当な計算資源、目に見えない環境や退化環境への一般化に苦慮することが多い。
幾何に基づく手法は効率的かつ解釈可能であるが、標準的な反復的最近点 (ICP) の定式化の限界により、その性能は平面的あるいは反復的な場面で劣化する。
We present HP2-SLAM, a minimalist yet robust LiDAR SLAM framework built around a neighborhood-size Adaptive Hybrid ICP。
我々の重要な洞察は、平面性を考慮した適応しきい値であり、局所的な幾何学的構造と密度に基づいて動的に対応を分類することで、点対平面と点対点残差の原理的バランスを可能にする。
この定式化は、機能エンジニアリング、学習モジュール、データセット固有のチューニングなしで、構造化および退化環境のアライメントを安定化する。
サブマップ管理、ループクロージャ検出、グラフ最適化を備えた完全なSLAMパイプラインに統合されたHP2-SLAMは、コモディティハードウェア上でのリアルタイムパフォーマンスを維持しながら、公開データセット全体にわたって強力なジオメトリベースのベースラインを一貫して上回る。
この結果から, 設計された幾何適応は, 単純さや効率を犠牲にすることなく, 強い一般化とロバスト性を達成できることが示唆された。
関連論文リスト
- CHOW-SLAM: Compact Hybrid Representation with Complementary Overlap Window Optimization for RGB-D SLAM [15.5419422901587]
CHOW-SLAMは高密度なRGB-D SLAMフレームワークであり、相補的な空間的制約と時間的制約を明示的に構成する。
CHOW-SLAMはシーン再構成の品質とカメラ追跡精度の両方において最先端の手法より優れている。
論文 参考訳（メタデータ） (2026-08-03T08:47:28Z) - Desc++: Efficient Descriptor Enhancement for Data Association in Existing Visual SLAM Systems [0.09558392439655011]
視覚SLAMシステムのための軽量拡張モジュールであるDesc++を提案する。
ディスクリプタ表現とキーポイント幾何学をエンコードし、空間コンテキストを集約する。
実験の結果,Desc++は最先端拡張法よりもマッチング精度が向上していることがわかった。
論文 参考訳（メタデータ） (2026-07-13T05:15:13Z) - SOCC-ICP: Semantics-Assisted Odometry based on Occupancy Grids and ICP [1.2744523252873352]
SOCC-ICPはセマンティックOCCupancyグリッドマッピングとLiDARスキャンアライメントを共同で実行するセマンティック支援オドメトリーフレームワークである。
最先端のLiDARオドメトリーと性能を競い合っており、幾何的に退化した環境でも頑丈である。
SOCC-ICPは,1つの表現内でのオードメトリとセマンティック占有グリッドマッピングを統一することにより,冗長なマップ構造を排除している。
論文 参考訳（メタデータ） (2026-05-14T17:00:38Z) - Generative Control as Optimization: Time Unconditional Flow Matching for Adaptive and Robust Robotic Control [33.03635235189535]
動作合成を反復的最適化に変換する時間非条件フレームワークGeCOについて紹介する。
テスト時間推論は、単純な状態に対して収束開始早期に基づいて計算を割り当てる適応的なプロセスとなり、難しい状態に対してはより長く精製する。
我々は,GeCOを標準シミュレーションベンチマークで検証し,pi0シリーズのVision-Language-Action(VLA)モデルにシームレスなスケーリングを示す。
論文 参考訳（メタデータ） (2026-03-18T15:27:17Z) - OTPL-VIO: Robust Visual-Inertial Odometry with Optimal Transport Line Association and Adaptive Uncertainty [14.064037230340984]
本稿では, ラインセグメントに専用深層記述子を装備し, エントロピー規則化された最適輸送定式化を用いて一致したステレオポイントラインVIOシステムを提案する。
EuRoCとUMA-VIの実験は、低テクスチュア環境と照明環境の実際の展開とともに、代表ベースラインよりも精度と堅牢性を向上した。
論文 参考訳（メタデータ） (2026-03-10T13:30:05Z) - Adaptive Linear Path Model-Based Diffusion [52.84663832658799]
リニアパスモデルベース拡散(LP-MBD)を導入し、分散保存スケジュールをフローマッチング線形確率パスに置き換える。
また,適応型LP-MBD(ALP-MBD)を提案し,タスクの複雑さや環境条件に応じて拡散ステップやノイズレベルを調整する。
論文 参考訳（メタデータ） (2026-02-02T21:33:03Z) - FoundationSLAM: Unleashing the Power of Depth Foundation Models for End-to-End Dense Visual SLAM [50.9765003472032]
FoundationSLAMは、正確でロバストな追跡とマッピングのための学習ベースの単分子高密度SLAMシステムである。
我々の中核となる考え方は、基礎深度モデルからのガイダンスを活用することによって、推論によるフロー推定をブリッジすることである。
論文 参考訳（メタデータ） (2025-12-31T17:57:45Z) - Dynamic Context-oriented Decomposition for Task-aware Low-rank Adaptation with Less Forgetting and Faster Convergence [131.41894248194995]
タスク認識方式でアダプタを初期化する新しい手法であるコンテキスト指向分解適応(CorDA)を提案する。
本手法は,タスク認識により,知識保存モード (KPM) と命令レビューモード (IPM) の2つのオプション適応モードを実現する。
論文 参考訳（メタデータ） (2025-06-16T07:55:14Z) - Entropy-Regularized Token-Level Policy Optimization for Language Agent Reinforcement [67.1393112206885]
大規模言語モデル(LLM)は、対話的な意思決定タスクにおいてインテリジェントなエージェントとして期待されている。
本稿では,トークンレベルでのLLMの最適化に適したエントロピー拡張RL法である,エントロピー正規化トークンレベル最適化(ETPO)を導入する。
我々は,データサイエンスコード生成を多段階対話型タスクのシリーズとしてモデル化したシミュレーション環境におけるETPOの有効性を評価する。
論文 参考訳（メタデータ） (2024-02-09T07:45:26Z) - Maximize to Explore: One Objective Function Fusing Estimation, Planning,
and Exploration [87.53543137162488]
我々はtextttMEX というオンライン強化学習(オンラインRL)フレームワークを提案する。
textttMEXは、自動的に探索エクスプロイトのバランスをとりながら、見積もりと計画コンポーネントを統合する。
様々な MuJoCo 環境では,ベースラインを安定的なマージンで上回り,十分な報酬を得られる。
論文 参考訳（メタデータ） (2023-05-29T17:25:26Z) - Learning to Continuously Optimize Wireless Resource in a Dynamic
Environment: A Bilevel Optimization Perspective [52.497514255040514]
この研究は、データ駆動メソッドが動的環境でリソース割り当て戦略を継続的に学び、最適化することを可能にする新しいアプローチを開発しています。
学習モデルが新たなエピソードに段階的に適応できるように、連続学習の概念を無線システム設計に組み込むことを提案する。
我々の設計は、異なるデータサンプルにまたがる公平性を保証する、新しい二段階最適化定式化に基づいている。
論文 参考訳（メタデータ） (2021-05-03T07:23:39Z) - 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。