論文の概要: Chain-SLAM: Globally Consistent Backend for Multi-Session LiDAR SLAM via Chained Loop Closure

• arxiv url: http://arxiv.org/abs/2609.12221v1
• Date: Thu, 10 Sep 2026 21:29:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-15 07:38:31.548292
• Title: Chain-SLAM: Globally Consistent Backend for Multi-Session LiDAR SLAM via Chained Loop Closure
• Title（参考訳）: Chain-SLAM: Chained Loop ClosureによるマルチセッションLiDAR SLAMのグローバル一貫性バックエンド
• Abstract要約: Chain-SLAMは、オンラインマルチセッションマップアライメントと再利用を可能にするLiDAR SLAMバックエンドである。 我々は,係り受け間の幾何学的制約を効率的に伝播する連鎖ループ閉包機構を実装した。 大規模データセット上でのトラジェクトリ精度の向上とロバストなマルチセッション統合を示す。
• 参考スコア（独自算出の注目度）: 11.113581241527902
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Maintaining consistency over long spatial and temporal horizons remains a fundamental challenge in large-scale LiDAR SLAM, particularly when integrating maps collected across multiple sessions. We present Chain-SLAM, a LiDAR SLAM backend enabling online multi-session map alignment and reuse with global consistency at large scale. We implement a chained loop closure mechanism that efficiently propagates geometric constraints across inter-session keyframes through an adjacency graph, enabling robust long-horizon consistency triggered by reliable short-horizon loop closures. The system initializes inter-session alignment with GNSS-proximity place recognition, then performs on-the-fly loop closure detections and joint optimization of loaded maps and newly acquired trajectories within a unified factor graph, maintaining both inter- and intra-session geometric consistency without dynamic object removal, and cross-platform robustness with minimal hyperparameter tuning. Experimental results show improved trajectory accuracy and robust multi-session integration on large-scale datasets. We release our source code to support reproducible research in large-scale multi-session LiDAR SLAM. Project site: https://ai4ce.github.io/Chain-SLAM/
• Abstract（参考訳）: 長期の空間的および時間的地平線上の一貫性を維持することは、大規模なLiDAR SLAMにおいて、特に複数のセッションにまたがるマップの統合において、根本的な課題である。 本稿では,LiDAR SLAMバックエンドであるChain-SLAMについて述べる。 連鎖したループクロージャ機構を実装し,鍵フレーム間の幾何的制約を隣接グラフを通じて効率的に伝播し,信頼性の高い短軸ループクロージャによって引き起こされる堅牢な長軸一貫性を実現する。 このシステムは, GNSS-proximity place recognition によるセッション間アライメントを初期化し, ロードマップと新たに取得したトラジェクトリを統一係数グラフ内でオンザフライループクロージャ検出および共同最適化し, 動的オブジェクト除去を伴わずにセッション間幾何整合性を維持し, 極小ハイパーパラメータチューニングによるクロスプラットフォームロバスト性を維持する。 実験結果から,大規模データセット上でのトラジェクトリ精度の向上とロバストなマルチセッション統合が得られた。 大規模なマルチセッションLiDAR SLAMにおける再現可能な研究を支援するためにソースコードをリリースする。 プロジェクトサイト:https://ai4ce.github.io/Chain-SLAM/

関連論文リスト

• Multi-Submap Implicit Neural SLAM with Local-to-Global Loop Closure for Large-Scale Scene Reconstruction [38.870967480699186]
  本稿では,マルチサブマップアーキテクチャと2層ループクロージャ機構を備えた大規模ニューラルネットワークSLAMシステムを提案する。 堅牢なポーズ推定のために、光学フローベースのトラッキングモジュールが、攻撃的な動きを処理するために統合されている。 提案手法は, 再建品質と局所ロバスト性において, 最先端のニューラルSLAM法より優れる。
  論文  参考訳（メタデータ） (2026-08-10T05:49:55Z)
• 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)
• LXD-SLAM: LiDAR+X Dense SLAM with $\sum_{i=0}^{5}C_5^i$ Configurable Sensor Combinations [29.697667495253118]
  本稿では,LXD-SLAM(LiDAR+X Dense SLAM)を提案する。 我々は,適応的階層的予測戦略を備えた,数学的に統一された反復誤差行列カルマンフィルタを用いる。 グローバルな一貫性のために,GPサブメシから派生した拡張スキャンコンテキスト(ESC)を導入する。
  論文  参考訳（メタデータ） (2026-06-26T07:53:09Z)
• 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)
• Real-Time LiDAR Super-Resolution via Frequency-Aware Multi-Scale Fusion [0.4078247440919472]
  FLASH (Frequency-aware LiDAR Adaptive Super- resolution with Hierarchical fusion) は、二重ドメイン処理による制限を克服する新しいフレームワークである。 FLASHは、2つの重要なイノベーションを統合する: (i) 局所的な空間的注意とFFTによるグローバルな周波数領域分析を組み合わせ、細粒度の幾何と周期的な走査パターンの両方をログ線形複雑度で捉え、 (ii) 学習された位置特異的な特徴集約による従来のスキップ接続を置き換え、CBAMによる動的特徴選択のために強化する適応的マルチスケールフュージョン。
  論文  参考訳（メタデータ） (2025-11-10T18:38:15Z)
• MASt3R-Fusion: Integrating Feed-Forward Visual Model with IMU, GNSS for High-Functionality SLAM [12.158063913401575]
  フィードフォワード・ポイントマップ・レグレッションと相補的なセンサ情報を統合するマルチセンサ支援視覚SLAMフレームワークMASt3R-Fusionを提案する。 実時間スライディングウインドウ最適化とアグレッシブループ閉鎖を伴う大域的最適化の両立が可能な階層的因子グラフ設計法を開発した。 我々は、公開ベンチマークと自己収集データセットの両方に対するアプローチを評価し、精度とロバスト性を大幅に改善したことを示す。
  論文  参考訳（メタデータ） (2025-09-25T05:26:28Z)
• CAMELTrack: Context-Aware Multi-cue ExpLoitation for Online Multi-Object Tracking [68.24998698508344]
  CAMELはコンテキスト対応型マルチキューExpLoitationのための新しいアソシエイトモジュールである。 エンド・ツー・エンドの検知・バイ・トラック方式とは異なり,本手法は軽量かつ高速にトレーニングが可能であり,外部のオフ・ザ・シェルフモデルを活用することができる。 提案するオンライントラッキングパイプラインであるCAMELTrackは,複数のトラッキングベンチマークで最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2025-05-02T13:26:23Z)
• Multi-Scene Generalized Trajectory Global Graph Solver with Composite Nodes for Multiple Object Tracking [61.69892497726235]
  複合ノードメッセージパッシングネットワーク(CoNo-Link)は、超長いフレーム情報を関連付けるためのフレームワークである。 オブジェクトをノードとして扱う従来の方法に加えて、このネットワークは情報インタラクションのためのノードとしてオブジェクトトラジェクトリを革新的に扱う。 我々のモデルは、合成ノードを追加することで、より長い時間スケールでより良い予測を学習することができる。
  論文  参考訳（メタデータ） (2023-12-14T14:00:30Z)
• Modeling Continuous Motion for 3D Point Cloud Object Tracking [54.48716096286417]
  本稿では,各トラックレットを連続ストリームとみなす新しいアプローチを提案する。 各タイムスタンプでは、現在のフレームだけがネットワークに送られ、メモリバンクに格納された複数フレームの履歴機能と相互作用する。 頑健な追跡のためのマルチフレーム機能の利用性を高めるために,コントラッシブシーケンス強化戦略を提案する。
  論文  参考訳（メタデータ） (2023-03-14T02:58:27Z)
• Object Tracking through Residual and Dense LSTMs [67.98948222599849]
  LSTM(Long Short-Term Memory)リカレントニューラルネットワークに基づくディープラーニングベースのトラッカーが、強力な代替手段として登場した。 DenseLSTMはResidualおよびRegular LSTMより優れ、ニュアンセに対する高いレジリエンスを提供する。 ケーススタディは、他のトラッカーの堅牢性を高めるために残差ベースRNNの採用を支援する。
  論文  参考訳（メタデータ） (2020-06-22T08:20:17Z)
• Crowd Counting via Hierarchical Scale Recalibration Network [61.09833400167511]
  本稿では,群集カウントの課題に取り組むために,階層型大規模校正ネットワーク(HSRNet)を提案する。 HSRNetは、リッチなコンテキスト依存をモデル化し、複数のスケール関連情報を再検討する。 提案手法は,様々なノイズを選択的に無視し,適切な群集スケールに自動的に焦点を合わせることができる。
  論文  参考訳（メタデータ） (2020-03-07T10:06:47Z)

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。