論文の概要: Benchmarking Visual-Inertial Odometry in Subterranean Environments Under Sensor Degradation, Miscalibration, and Dynamic Occlusion

• arxiv url: http://arxiv.org/abs/2609.18628v1
• Date: Wed, 16 Sep 2026 13:17:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.816564
• Title: Benchmarking Visual-Inertial Odometry in Subterranean Environments Under Sensor Degradation, Miscalibration, and Dynamic Occlusion
• Title（参考訳）: センサ劣化・校正・動的閉塞下における地下環境のビジュアル慣性オドメトリーのベンチマーク
• Abstract要約: 視覚慣性オドメトリー(VIO)は,GPSを用いた地下環境下での自律運転のコア機能である。 既存の評価は主に名目条件の正確さを強調し、実際のデプロイメント失敗の発生時期について限定的な洞察を提供する。 CERBERUSデータセットを用いて,地下環境におけるVIOの故障中心応力-テストベンチマークを示す。
• 参考スコア（独自算出の注目度）: 19.67972501996262
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Visual-inertial odometry (VIO) is a core capability for autonomous operation in GPS-denied subterranean environments, yet its reliability can degrade sharply under sensor drift, calibration errors, and dynamic occlusion. Existing evaluations mainly emphasize nominal-condition accuracy, offering limited insight into when practical deployment failures occur. In this work, we present a failure-centric stress-test benchmark for VIO in underground environments using the CERBERUS dataset. We systematically evaluate four representative VIO systems spanning filtering-, optimization-, and learning-based paradigms under nine practical perturbation settings, including IMU bias and noise variation, camera intrinsic and extrinsic drift, and dynamic scene occlusion. Beyond conventional trajectory error, we analyze robustness limits through coverage ratio and failure thresholds, revealing breakdown behaviors that are not captured by nominal-condition performance alone. Our study shows distinct vulnerability patterns across VIO paradigms: some methods are more sensitive to inertial degradation, while others are more affected by geometric miscalibration or dynamic interference. These results provide deployment-oriented guidance for VIO selection, calibration prioritization, and reliable operation in challenging underground scenarios. To support reproducible evaluation and future extensions, we will release the full benchmark scripts and evaluation pipeline.
• Abstract（参考訳）: 視覚慣性オドメトリー (VIO) はGPSで測定した地下環境における自律動作のコア機能であるが、その信頼性はセンサードリフト、校正誤差、ダイナミックオクルージョンの下で著しく低下する可能性がある。 既存の評価は主に名目条件の正確さを強調し、実際のデプロイメント失敗の発生時期について限定的な洞察を提供する。 本研究では,CERBERUSデータセットを用いて,地下環境におけるVIOの故障中心応力-テストベンチマークを示す。 IMUバイアス,ノイズ変動,カメラ内在ドリフト,外在ドリフト,ダイナミックシーンオクルージョンなど,9つの実用的な摂動条件下で,フィルタ,最適化,学習に基づく4つの代表的なVIOシステムを体系的に評価した。 従来の軌道誤差の他に、カバレッジ比と故障閾値によるロバスト性限界を解析し、名目条件性能だけでは捉えられない破壊挙動を明らかにする。 いくつかの手法は慣性劣化に敏感であり、他の手法は幾何学的誤校正や動的干渉の影響を受けやすい。 これらの結果から,VIO選択,キャリブレーション優先化,信頼性の高い運転を,挑戦的な地下シナリオで実施するためのデプロイメント指向のガイダンスが得られた。 再現可能な評価と将来の拡張をサポートするため、完全なベンチマークスクリプトと評価パイプラインをリリースします。

関連論文リスト

• MoASE++: Mixture of Activation Sparsity Experts with Domain-Adaptive On-policy Distillation for Continual Test Time Adaptation [65.068801413044]
  連続的なテスト時間適応は、非定常な未ラベルのターゲットストリームにソース予測モデルを適用する。 ドメインに依存しない構造をドメイン固有のテクスチャから切り離す。
  論文  参考訳（メタデータ） (2026-05-18T01:52:12Z)
• Causal Parametric Drift Simulation: A Digital Twin Framework for Classifier Robustness Evaluation [0.0]
  動的環境における機械学習の分類器は、コンセプトドリフトに直面している。 構造因果モデルを用いて既存のドリフト検出を補完するフレームワークをDigital Twinsとして提案する。 我々の手法であるCausal Parametric Drift Simulation, stress-tests classifications to identify vulnerabilities before deployment。
  論文  参考訳（メタデータ） (2026-05-10T17:28:49Z)
• Adversarial Moral Stress Testing of Large Language Models [6.225703352031606]
  本稿では, 対人多ラウンド相互作用下での倫理的堅牢性を評価するためのストレスベース評価フレームワーク, AMSTを紹介する。 我々は,LLaMA-3-8B,GPT-4o,DeepSeek-v3を含む最先端LLMにおけるAMSTの評価を行った。
  論文  参考訳（メタデータ） (2026-04-01T16:34:20Z)
• VSCOUT: A Hybrid Variational Autoencoder Approach to Outlier Detection in High-Dimensional Retrospective Monitoring [0.0]
  VSCOUTは、高次元設定での振り返り(Phase I)監視のために設計された、配布不要のフレームワークである。 VSCOUTは、制御された偽アラームを維持しながら、特別な原因構造に対する優れた感度を実現する。 そのスケーラビリティ、分散柔軟性、レジリエンスは、AI対応環境でのリフレクションモデリングと異常検出の実用的で効果的な方法としてVSCOUTを位置づけている。
  論文  参考訳（メタデータ） (2026-01-28T18:30:48Z)
• A Sensor-Aware Phenomenological Framework for Lidar Degradation Simulation and SLAM Robustness Evaluation [1.9228699691035367]
  ライダーベースのSLAMシステムは、ノイズや視野分解(FoV)などの悪条件に非常に敏感である。 本稿では,実点雲上で直接解釈可能なライダー劣化をシミュレーションするためのセンサ・アウェア・フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-09T14:41:20Z)
• ICD-Net: Inertial Covariance Displacement Network for Drone Visual-Inertial SLAM [5.5217350574838875]
  視覚-慣性SLAM性能を向上させる新しいフレームワークであるICD-Netを提案する。 従来のVINS-Fusionと比較して,軌道推定精度は有意に向上した。 ニューラルネットワークの強化は,SLAM劣化の複数の要因に効果的に対処できることを示す。
  論文  参考訳（メタデータ） (2025-11-13T11:25:02Z)
• Rethinking Evaluation of Infrared Small Target Detection [105.59753496831739]
  本稿では,画素レベルと目標レベルのパフォーマンスを取り入れたハイブリッドレベルのメトリクスを導入し,システム的エラー解析手法を提案し,クロスデータセット評価の重要性を強調した。 標準化されたベンチマークを容易にするオープンソースツールキットがリリースされた。
  論文  参考訳（メタデータ） (2025-09-21T02:45:07Z)
• RoHOI: Robustness Benchmark for Human-Object Interaction Detection [84.78366452133514]
  ヒューマン・オブジェクト・インタラクション(HOI)検出は、コンテキスト認識支援を可能にするロボット・ヒューマン・アシストに不可欠である。 HOI検出のための最初のベンチマークを導入し、様々な課題下でモデルのレジリエンスを評価する。 我々のベンチマークであるRoHOIは、HICO-DETとV-COCOデータセットに基づく20の汚職タイプと、新しいロバストネスにフォーカスしたメトリクスを含んでいる。
  論文  参考訳（メタデータ） (2025-07-12T01:58:04Z)
• Attribute-Guided Adversarial Training for Robustness to Natural Perturbations [64.35805267250682]
  本稿では,属性空間への分類器の露出を最大化するために,新しいサンプルを生成することを学習する逆学習手法を提案する。 我々のアプローチは、ディープニューラルネットワークが自然に発生する摂動に対して堅牢であることを可能にする。
  論文  参考訳（メタデータ） (2020-12-03T10:17:30Z)

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。