論文の概要: TRaIL-Odom: Tightly Coupled Continuous Time Radar-IMU-LiDAR Odometry with Adaptive Doppler Weighting
- arxiv url: http://arxiv.org/abs/2609.03561v1
- Date: Thu, 03 Sep 2026 09:00:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-04 18:28:38.99892
- Title: TRaIL-Odom: Tightly Coupled Continuous Time Radar-IMU-LiDAR Odometry with Adaptive Doppler Weighting
- Title（参考訳）: TRaIL-Odom:適応ドップラー重み付き高結合型連続時間レーダIMU-LiDARオドメトリー
- Abstract要約: 既存のレーダー-LiDAR融合法は、固定された残留重量に依存している。
本稿では,Rar-IMU-LiDARオドメトリーフレームワークにおいて,2つのドップラー重み付けモジュールを提案する。
13個の評価シーケンスで、TRaIL-Odomは、最先端の全体的なパフォーマンスを達成する。
- 参考スコア（独自算出の注目度）: 24.013238065030635
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Existing radar-LiDAR fusion methods rely on fixed residual weights, even though the informativeness of radar Doppler and LiDAR geometry is scan- and direction-dependent, leading to uniform radar weighting that misallocates Doppler information across translational directions. To address this limitation, we propose two degeneracy-aware Doppler reweighting modules within a tightly coupled Radar-IMU-LiDAR odometry framework: per-point radar reweighting and scan-wise radar gain scheduling. Since geometric degeneracy is directional, we first identify weak translational directions from the LiDAR geometry and reweight individual radar Doppler constraints based on their alignment with the weak subspace. We further adjust the overall radar contribution using LiDAR geometric anisotropy such that radar is emphasized when LiDAR observability is poor and suppressed when LiDAR constraints are already reliable. Across 13 evaluated sequences, TRaIL-Odom achieves state-of-the-art overall performance, with clear advantages in geometrically degenerate scenes. In ablation experiments on three degenerate sequences, combining the two adaptive weighting modules reduces RMSE ATE and RTE by 86.0% and 78.5% relative to the fixed-weight baseline. We make our code and an accompanying dataset publicly available at https://github.com/ChiyunNoh/TRaIL-Odom.
- Abstract（参考訳）: 既存のレーダーとLiDARの融合法は、レーダードップラーとLiDARの幾何学の情報がスキャンと方向に依存しているにもかかわらず、固定された残留重量に依存している。
この制限に対処するため,Radar-IMU-LiDARオドメトリーフレームワーク内に2つのデジェネリシー対応ドップラー再重み付けモジュールを提案し,点当たりのレーダ再重み付けとスキャンワイドレーダゲインスケジューリングを行う。
幾何学的縮退は指向性であるため、まず、弱い部分空間とのアライメントに基づいて、LiDAR幾何およびリウェイト個別レーダードップラー制約から弱い翻訳方向を識別する。
我々は、LiDARの可観測性が貧弱で、LiDARの制約が既に信頼されている場合に、レーダーが強調されるように、LiDARの幾何学的異方性を用いて、全体的なレーダ寄与を調整する。
13個の評価シーケンスで、TRaIL-Odomは、幾何学的に退化したシーンにおいて明らかな利点とともに、最先端の全体的なパフォーマンスを達成する。
3つの縮退配列のアブレーション実験では、2つの適応重み付けモジュールを組み合わせてRMSE ATEとRTEを86.0%、78.5%減少させる。
コードと関連するデータセットをhttps://github.com/ChiyunNoh/TRaIL-Odom.comで公開しています。
関連論文リスト
- FIRE-LIVWO: Robust LiDAR-Inertial-Visual-Wheel Odometry via Failure-Immune mmWave Radar Enhancement [15.680013764871966]
FIRE-LIVWO:Failure-Immune mmWave Radar-Enhanced LiDAR-Inertial-Visual-Wheel Odometry
繰り返し誤差状態カルマンフィルタ(IESKF)に基づく密結合型マルチモーダルオドメトリーフレームワークを提案する。
煙に埋もれた環境では、4D mmWaveレーダーの強い浸透を利用して、点方向ドップラー速度の制約を導入する。
非ホロノミック制約 (NHC) とオンラインレバーアーム補償を用いて, ドリフトの低減を図る。
論文 参考訳（メタデータ） (2026-09-04T16:19:58Z) - Dense Soft Weighting for Radar Ego-Velocity Estimation [6.356174487225252]
本稿では,エゴ速度推定のための分析レーダフロントエンドであるDense Soft Weightingを提案する。
すべてのレンジドップラーセルを2値検出閾値を強制するのではなく、連続した信頼度にマッピングする。
これは、最強のCFARポイントクラウドベースラインと比較して平均的な絶対的なポーズエラーを31-45%削減する。
論文 参考訳（メタデータ） (2026-07-29T14:37:52Z) - RadarSplat-RIO: Indoor Radar-Inertial Odometry with Gaussian Splatting-Based Radar Bundle Adjustment [15.74169173366249]
レーダーは視覚とライダーの同時位置決めとマッピング(SLAM)よりも悪天候や照明条件に耐性がある
ほとんどのレーダーSLAMパイプラインは依然としてフレーム・ツー・フレームのドリフトに大きく依存している。
本稿では,高密度かつ微分可能な表現であるGaussian Splatting(GS)によって実現された,最初のレーダバンドル調整(BA)フレームワークを提案する。
論文 参考訳（メタデータ） (2026-04-15T05:26:46Z) - RLPR: Radar-to-LiDAR Place Recognition via Two-Stage Asymmetric Cross-Modal Alignment for Autonomous Driving [14.25906590501402]
Radar-to-LiDARの位置認識は、既存のLiDARマップ内のレーダースキャンをローカライズすることができる。
RLPRは、単一チップ、走査、および4Dレーダと互換性のある堅牢なレーダー対LiDAR位置認識フレームワークである。
4つのデータセットの実験により、RLPRは強力なゼロショット一般化能力で認識精度を達成することが示された。
論文 参考訳（メタデータ） (2026-03-09T03:28:44Z) - HyperDet: 3D Object Detection with Hyper 4D Radar Point Clouds [7.899148878601621]
検出器に依存しないレーダーのみの3D検出フレームワークであるHyperDetを提案する。
標準的なLiDAR指向検出器のためのタスク対応のハイパー4Dレーダーポイントクラウドを構築している。
MAN TruckScenesでは、HyperDetはVoxelNeXtとCenterPointによる生のレーダー入力よりも一貫して改善されている。
論文 参考訳（メタデータ） (2026-02-12T04:21:58Z) - 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) - UltraLiDAR: Learning Compact Representations for LiDAR Completion and
Generation [51.443788294845845]
我々は、シーンレベルのLiDAR補完、LiDAR生成、LiDAR操作のためのデータ駆動フレームワークであるUltraLiDARを提案する。
スパース点雲の表現を高密度点雲の表現に合わせることで、スパース点雲を密度化できることが示される。
個別のコードブック上で事前学習を行うことで、多種多様な現実的なLiDARポイントクラウドを自動走行のために生成できます。
論文 参考訳（メタデータ） (2023-11-02T17:57:03Z) - Bi-LRFusion: Bi-Directional LiDAR-Radar Fusion for 3D Dynamic Object
Detection [78.59426158981108]
この課題に対処し、動的オブジェクトの3D検出を改善するために、双方向LiDAR-Radar融合フレームワーク、Bi-LRFusionを導入する。
我々はnuScenesとORRデータセットに関する広範な実験を行い、我々のBi-LRFusionが動的オブジェクトを検出するための最先端のパフォーマンスを達成することを示す。
論文 参考訳（メタデータ） (2023-06-02T10:57:41Z) - LiRaNet: End-to-End Trajectory Prediction using Spatio-Temporal Radar
Fusion [52.59664614744447]
本稿では,レーダセンサ情報と広範に使用されているライダーと高精細度(HD)マップを用いた新しい終端軌道予測手法LiRaNetを提案する。
自動車レーダーは、リッチで補完的な情報を提供し、より長い距離の車両検出と即時速度測定を可能にします。
論文 参考訳（メタデータ） (2020-10-02T00:13:00Z) - RadarNet: Exploiting Radar for Robust Perception of Dynamic Objects [73.80316195652493]
我々は、自動運転車の文脈における認識のためにRadarを利用する問題に取り組む。
我々は、LiDARとRadarの両方のセンサーを知覚に利用した新しいソリューションを提案する。
RadarNetと呼ばれる我々のアプローチは、ボクセルベースの早期核融合と注意に基づく後期核融合を特徴としている。
論文 参考訳（メタデータ） (2020-07-28T17:15:02Z)
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。