論文の概要: Does Online Gravity Estimation Matter? Revisiting a Silent Design Split in LiDAR-Inertial Odometry

• arxiv url: http://arxiv.org/abs/2609.13675v2
• Date: Wed, 16 Sep 2026 04:14:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.395665
• Title: Does Online Gravity Estimation Matter? Revisiting a Silent Design Split in LiDAR-Inertial Odometry
• Title（参考訳）: オンライン重力推定は重要か? LiDAR-慣性オドメトリーにおける無音設計の再検討
• Abstract要約: 連続LiDAR補正下での固定重力は,垂直および3次元位置誤差の平均対変化を生じさせることを示す。 重力と加速度計のバイアスをオンラインに維持して堅牢性を維持することを推奨する。
• 参考スコア（独自算出の注目度）: 2.473891631154594
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: LiDAR-inertial odometry (LIO) systems differ in whether they continue estimating gravity after initialization. We compare four gravity-bias state configurations in each of FAST-LIO2 and LIO-SAM, then separately test a gravity-direction factor. Across 12 dataset sequences evaluated with FAST-LIO2, fixing gravity under continuous LiDAR correction produces mean paired changes in vertical and 3D position errors with 90% confidence intervals within $\pm 2\%$. Tests on 4 sequences with LIO-SAM likewise show no consistent benefit from online gravity. Multi-second LiDAR outages, unlike reduced range or field of view, reveal trajectory-dependent costs of fixing gravity. A history-matched 23D-to-21D switch places the repeatable 3D error increase after LiDAR updates resume. Under 5-s outages, a direction factor from the same IMU used for preintegration improves accuracy on Hall05 but worsens both errors with online gravity on TUHH. Dynamic-start tests also show fixed-bias failures at particular starting phases. We recommend keeping gravity and accelerometer bias online for robustness; use a direction factor only after verifying vertical and 3D accuracy gains under the intended operating conditions.
• Abstract（参考訳）: LIO (LiDAR-inertial odometry) は初期化後に重力を推定し続けるかどうかが異なる。 FAST-LIO2 と LIO-SAM の4つの重力バイアス状態構成を比較し,重力方向因子を別々に試験した。 FAST-LIO2を用いて評価した12個のデータセット列に対して, 連続LiDAR補正時の重み付けにより, 90%の信頼区間を持つ垂直位置と3次元位置の誤差の平均対変化が生じ, 平均値が$\pm 2\%$となる。 LIO-SAMによる4つのシーケンスでの試験も同様に、オンライン重力による一貫した利点は示さない。 マルチ秒のLiDAR停止は、範囲や視野の縮小とは異なり、重力を固定する軌道に依存したコストを明らかにする。 履歴マッチングされた23D-to-21Dスイッチは、LiDARが更新を再開した後、繰り返し可能な3Dエラーの増加を配置する。 5秒の停止下では、前統合に使用する同じIMUの方向係数は、Hal05の精度を向上させるが、TUHHのオンライン重力によるエラーは共に悪化する。 動的開始テストはまた、特定の開始フェーズで固定バイアス障害を示す。 我々は、重力と加速度計のバイアスをオンラインでオンラインに保ち、意図された操作条件下で垂直および3次元精度のゲインを検証した後のみ、方向係数を使用することを推奨する。

関連論文リスト

• TIDE: A Physically Diverse 3D Turbulence Benchmark Dataset for Advancing Scientific Machine Learning [21.12028946527482]
  TIDE(Turbulent Incompressible DNS Ensembles)は,2563個のDNSコーパスと3次元非圧縮性乱流のベンチマークである。 ベンチマークには5つのタスク、標準化された学習ベースライン、制御された一般化分割、ポイントワイドエラーと並行して物理忠実度メトリクスが含まれる。 主要な予測構成全体において、現在の学習モデルは永続性にはほとんど優れておらず、スペクトルソルバの約2倍の誤差を発生させる。
  論文  参考訳（メタデータ） (2026-08-04T20:56:23Z)
• SA-LIVO: Efficient LiDAR-Inertial-Visual Odometry with Subspace-Aware Degeneracy Handling [23.881618454598122]
  LiDAR-visual-inertial odometry (LIVO)は、精密な幾何学的深さと相補的な視覚的計測を融合する。 既存の対策は、モダリティレベルで動作し、関節情報行列の方向依存構造を未調整のまま残す。 方向選択的融合と情報効率の高い処理によってこれらの制約に対処するLiDAR-Iertial-visual odometryシステムであるSA-LIVOを提案する。
  論文  参考訳（メタデータ） (2026-06-24T11:13:58Z)
• GravCal: Single-Image Calibration of IMU Gravity Priors with Per-Sample Confidence [3.1560805223896793]
  単像重力のキャリブレーション前のフィードフォワードモデルであるGravCalを提案する。 1つのRGB画像とノイズの多い重力が与えられたとき、GravCalは修正された重力方向とサンプルごとの信頼スコアを予測する。 実験では、生の慣性前駆体よりも強い利得を示す。
  論文  参考訳（メタデータ） (2026-03-20T05:37:43Z)
• 4D Contrastive Superflows are Dense 3D Representation Learners [62.433137130087445]
  我々は,LiDARとカメラのペアを連続的に利用して事前学習の目的を確立するための,新しいフレームワークであるSuperFlowを紹介する。 学習効率をさらに向上するため,カメラビューから抽出した知識の整合性を高めるプラグイン・アンド・プレイ・ビュー・一貫性モジュールを組み込んだ。
  論文  参考訳（メタデータ） (2024-07-08T17:59:54Z)
• FILP-3D: Enhancing 3D Few-shot Class-incremental Learning with Pre-trained Vision-Language Models [59.13757801286343]
  クラス増分学習(class-incremental learning)は、モデルが限られたデータで漸進的にトレーニングされている場合、破滅的な忘れの問題を軽減することを目的としている。 本稿では,特徴空間の不整合のための冗長特徴除去器 (RFE) と,重要な雑音に対する空間ノイズ補償器 (SNC) の2つの新しいコンポーネントを備えたFILP-3Dフレームワークを紹介する。
  論文  参考訳（メタデータ） (2023-12-28T14:52:07Z)
• W-HMR: Monocular Human Mesh Recovery in World Space with Weak-Supervised Calibration [57.37135310143126]
  モノクロ画像からの3次元運動回復のための従来の手法は、カメラ座標に依存するため、しばしば不足する。 W-HMRは、身体の歪み情報に基づいて「適切な」焦点長を予測する弱教師付き校正法である。 また,世界空間における可視的再構築のために,身体の向きを補正する OrientCorrect モジュールを提案する。
  論文  参考訳（メタデータ） (2023-11-29T09:02:07Z)
• Traj-LO: In Defense of LiDAR-Only Odometry Using an Effective Continuous-Time Trajectory [20.452961476175812]
  本文では,LiDARのみのオドメトリーを連続的視点で検討する。 提案するTraj-LOアプローチは,LiDARの空間的・時間的一貫した動きを回復しようとする。 私たちの実装はGitHubでオープンソース化されています。
  論文  参考訳（メタデータ） (2023-09-25T03:05:06Z)
• Improving Extrinsics between RADAR and LIDAR using Learning [18.211513930388417]
  本稿では,自律システムにおける3次元RADAR-LIDARキャリブレーションの新しい解法を提案する。 この手法は、単純なターゲットを用いて、対応登録やワンステップ最適化アルゴリズムを含むデータを生成する。 提案手法は、PyTorchのようなディープラーニングフレームワークを使用し、勾配降下により最適化できる。
  論文  参考訳（メタデータ） (2023-05-17T22:04:29Z)
• A Close Look into the Calibration of Pre-trained Language Models [56.998539510508515]
  事前訓練された言語モデル(PLM)は、予測の不確かさを確実に見積もることに失敗する可能性がある。 トレーニングにおけるPLMの校正性能の動的変化について検討する。 最近提案された2つの学習可能な手法を拡張して、モデルを直接収集し、合理的な信頼度を推定する。
  論文  参考訳（メタデータ） (2022-10-31T21:31:07Z)
• Robust Self-Supervised LiDAR Odometry via Representative Structure Discovery and 3D Inherent Error Modeling [67.75095378830694]
  そこで我々は,2段階のオドメトリ推定ネットワークを構築し,一連の部分領域変換を推定してエゴモーメントを求める。 本稿では,トレーニング,推論,マッピングフェーズにおける信頼できない構造の影響を軽減することを目的とする。 我々の2フレームのオードメトリーは、翻訳/回転誤差の点で、過去の芸術の状態を16%/12%上回っている。
  論文  参考訳（メタデータ） (2022-02-27T12:52:27Z)
• SelfVoxeLO: Self-supervised LiDAR Odometry with Voxel-based Deep Neural Networks [81.64530401885476]
  本稿では,これら2つの課題に対処するために,自己教師型LiDARオドメトリー法(SelfVoxeLO)を提案する。 具体的には、生のLiDARデータを直接処理する3D畳み込みネットワークを提案し、3D幾何パターンをよりよく符号化する特徴を抽出する。 我々は,KITTIとApollo-SouthBayという2つの大規模データセット上での手法の性能を評価する。
  論文  参考訳（メタデータ） (2020-10-19T09:23:39Z)
• Accurate Alignment Inspection System for Low-resolution Automotive and Mobility LiDAR [125.41260574344933]
  車両やロボットなどの移動システムにおいて,センサ装着後のLiDARアライメント誤差を正確に推定する検査システムを提案する。 提案手法は, 固定位置における1つのターゲットボードのみを用いて, 水平方向(回転, 傾き, ヨー)とLiDARアタッチメントの水平位置を, 水平方向の精度で推定する。
  論文  参考訳（メタデータ） (2020-08-24T17:47:59Z)

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。