論文の概要: FIRE-LIVWO: Robust LiDAR-Inertial-Visual-Wheel Odometry via Failure-Immune mmWave Radar Enhancement
- arxiv url: http://arxiv.org/abs/2609.05325v1
- Date: Fri, 04 Sep 2026 16:19:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-07 18:15:24.115223
- Title: FIRE-LIVWO: Robust LiDAR-Inertial-Visual-Wheel Odometry via Failure-Immune mmWave Radar Enhancement
- Title（参考訳）: FIRE-LIVWO:Robust LiDAR-Inertial-Visual-Wheel Odometry by Failure-Immune mmWave Radar Enhancement (特集:情報ネットワーク)
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 15.680013764871966
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Achieving robust SLAM in large-scale underground coal mines with complex structures and severe degeneracies remains highly challenging. Dense smoke and dust cause substantial loss of visual information and degrade LiDAR point-cloud features, while long, self-similar corridors induce geometric degeneration, leading to pronounced odometry drift. To address these issues, we propose FIRE-LIVWO: Failure-Immune mmWave Radar-Enhanced LiDAR-Inertial-Visual-Wheel Odometry, a tightly coupled multi-modal odometry framework based on an iterated error-state Kalman filter (IESKF). The framework fuses 4D mmWave radar, LiDAR, and visual features within a unified VoxelMap and jointly constructs LiDAR-radar point-to-plane residuals and sparse visual photometric residuals. In smoke-filled environments, we exploit the strong penetration of 4D mmWave radar and introduce pointwise Doppler velocity constraints to preserve state observability. In geometrically degenerate corridors, we tightly couple wheel odometry using non-holonomic constraints (NHC) and online lever-arm compensation to reduce drift. Our central contribution is a degeneration detection and adaptive fusion model switching strategy grounded in geometric and visual observability analysis, which quantifies observability online and dynamically adjusts modality weights. Real-world experiments in underground coal mines demonstrate that FIRE-LIVWO accurately identifies failure boundaries, enabling reliable modality switching under extreme conditions. Compared with baselines, it achieves superior accuracy and robustness (average localization error of 5.677m). We open source our code on Github to benefit the robotics community.
- Abstract（参考訳）: 複雑な構造と厳密な退化を伴う大規模地下炭鉱における強靭なSLAMを達成することは、依然として非常に困難である。
濃厚な煙と塵は視覚情報の相当な損失とLiDAR点雲の特徴の低下を引き起こすが、長い自己相似回廊は幾何的変性を引き起こし、オードメトリーのドリフトが顕著になる。
これらの問題に対処するために、FIRE-LIVWO: Failure-Immune mmWave Radar-Enhanced LiDAR-Inertial-Visual-Wheel Odometry – 繰り返しエラー状態カルマンフィルタ(IESKF)に基づく密結合多モードオドメトリーフレームワークを提案する。
このフレームワークは、統合されたVoxelMap内の4D mmWaveレーダー、LiDAR、および視覚的特徴を融合させ、LiDAR-radar点-平面残差と疎視光度残差を共同構築する。
煙に埋もれた環境では、4D mmWaveレーダの強い浸透を生かし、状態観測性を維持するために点方向ドップラー速度制約を導入する。
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。
我々の中心的な貢献は、幾何的および視覚的可観測性分析に基づく退化検出および適応核融合モデル切替戦略であり、オンラインで可観測性を定量化し、モダリティ重みを動的に調整する。
地下炭鉱における実世界の実験は、FIRE-LIVWOが故障境界を正確に識別し、極端な条件下での信頼性の高いモダリティ切替を可能にすることを示した。
ベースラインと比較すると、精度とロバスト性(平均ローカライゼーション誤差5.677m)が優れている。
私たちは、ロボティクスコミュニティに利益をもたらすために、Githubでコードをオープンソースにしています。
関連論文リスト
- TRaIL-Odom: Tightly Coupled Continuous Time Radar-IMU-LiDAR Odometry with Adaptive Doppler Weighting [24.013238065030635]
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。
論文 参考訳（メタデータ） (2026-09-03T09:00:51Z) - LLM-Empowered Multimodal Fusion Framework for Autonomous Driving: Semantic Enhancement and Channel-Adaptive Design [56.76240343283953]
本稿では,大規模言語モデル中心のセマンティック・レイヤ・チャネル・アウェア・インテグレート・パーセプション・フレームワークを提案する。
ローカルな視覚ストリームと、知覚盲点をカバーするために使用される品質の変化した外部レーダーストリームを融合させる。
nuScenesとVIRATの実験は、我々のアプローチを検証する。
論文 参考訳（メタデータ） (2026-07-02T06:44:02Z) - FAST-LIVGO: A Degeneracy-Robust LiDAR-Inertial-Visual-GNSS Fusion Odometry [14.641801914375163]
ロボット工学において、長期、大規模、高度にダイナミックな環境における状態推定とマッピングが重要な課題である。
既存のLiDAR-In-ertial-Visual Odometry (LIVO) システムは、強い局所精度を実現するが、長距離で蓄積したドリフトに悩まされる。
本稿では,これらの制約に対処するために,エラー状態反復カルマンフィルタに基づくLiDAR支援融合フレームワークを提案する。
我々のシステムは、蓄積したドリフトとマップゴーストを低減し、精度とロバスト性において最先端の手法より優れる。
論文 参考訳（メタデータ） (2026-06-17T15:33:11Z) - High-Dimensional Latents Should Be Diagnosed Through Phase Structure [56.362776482614976]
スピングラス理論のレンズによるオートエンコーダと変分オートエンコーダの潜在空間について検討した。
固定復号器用の潜時空間スピングラス辞書を定式化する。
トポロジカルな自明化機構のエッジ・オブ・ステイティに向けて潜伏系を駆動することは、下流に具体的な結果をもたらすことを示す。
論文 参考訳（メタデータ） (2026-05-23T06:17:23Z) - Tightly-Coupled Radar-Visual-Inertial Odometry [12.2300314007703]
提案手法は,反復拡張カルマンフィルタ(IEKF)内の画像特徴,レーダドップラー計測,慣性測定ユニット(IMU)計測をリアルタイムに融合する。
本手法は,室内および屋外の両方で実施した飛行実験により評価した。
論文 参考訳（メタデータ） (2026-03-24T10:47:04Z) - How IMU Drift Influences Multi-Radar Inertial Odometry for Ground Robots in Subterranean Terrains [16.196972581962342]
レジリエンスな局所化とマッピングのためのIMUバイアス推定器を組み合わせた2段階MRIOフレームワークを提案する。
コスト効率のよいFMCWレーダーと異なるIMUをまたいで精度を維持し、PixhawkとVectorNavのような高品位のユニットで弾力性を示す。
提案フレームワークは,ロボットの推定翻訳および回転変位を利用して,レーダのみのマッピングを支援する。
論文 参考訳（メタデータ） (2026-02-27T17:15:50Z) - L3DR: 3D-aware LiDAR Diffusion and Rectification [85.5914944339043]
レンジビュー(RV)に基づくLiDAR拡散は、最近2Dフォトリアリズムに向けて大きな進歩を遂げた。
しかし、3次元幾何学的リアリズムを無視し、深部出血や波状表面といった様々なRVアーティファクトをしばしば生成する。
我々は,3次元空間におけるRVアーティファクトの回帰とキャンセルが可能な,L3DRを3D対応のLiDAR拡散・整流フレームワークとして設計する。
論文 参考訳（メタデータ） (2026-02-22T06:31:58Z) - A Lightweight Model-Driven 4D Radar Framework for Pervasive Human Detection in Harsh Conditions [11.183137089778468]
本稿では,組込みエッジハードウェア上でのリアルタイム実行を目的とした,完全モデル駆動4次元レーダ認識フレームワークを提案する。
このフレームワークは、ダスト充填されたトレーラーと実際の地下トンネルで評価され、テストシナリオでは、レーダーベースの検出器は、カメラとLiDARのモダリティが深刻な視認性低下の下で安定した歩行者識別を維持する。
論文 参考訳（メタデータ） (2026-01-19T20:18:51Z) - 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) - Optimal baseline exploitation in vertical dark-matter detectors based on
atom interferometry [50.06952271801328]
長基線原子干渉計に基づく重力波やダークマターの地上検出器は、現在、最終計画段階にあるか、既に建設中である。
マルチダイアモンド噴水グレーディメータを用いた共振モード検出器は,その高さが利用可能なベースラインの20%を占める場合,最適なショットノイズ制限を達成できることを示す。
論文 参考訳（メタデータ） (2023-09-08T08:38:24Z) - Echoes Beyond Points: Unleashing the Power of Raw Radar Data in
Multi-modality Fusion [74.84019379368807]
本稿では,既存のレーダ信号処理パイプラインをスキップするEchoFusionという新しい手法を提案する。
具体的には、まずBird's Eye View (BEV)クエリを生成し、次にレーダーから他のセンサーとフューズに対応するスペクトル特徴を取ります。
論文 参考訳（メタデータ） (2023-07-31T09:53:50Z) - The KFIoU Loss for Rotated Object Detection [115.334070064346]
本稿では,SkewIoU損失とトレンドレベルアライメントを両立できる近似的損失を考案する上で,有効な方法の1つとして論じる。
具体的には、対象をガウス分布としてモデル化し、SkewIoUのメカニズムを本質的に模倣するためにカルマンフィルタを採用する。
KFIoUと呼ばれる新たな損失は実装が容易で、正確なSkewIoUよりもうまく動作する。
論文 参考訳（メタデータ） (2022-01-29T10:54:57Z) - Learning High-Precision Bounding Box for Rotated Object Detection via
Kullback-Leibler Divergence [100.6913091147422]
既存の回転物体検出器は、主に水平検出パラダイムから受け継がれている。
本稿では,回転回帰損失の設計を帰納パラダイムから導出手法に変更することを目的としている。
論文 参考訳（メタデータ） (2021-06-03T14:29:19Z)
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。