論文の概要: Dynamic-LIVO: A Dynamic-Aware LiDAR-Inertial-Visual Odometry System Using Spatio-Temporal Normals
- arxiv url: http://arxiv.org/abs/2609.19336v1
- Date: Wed, 16 Sep 2026 19:04:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-20 08:55:53.984239
- Title: Dynamic-LIVO: A Dynamic-Aware LiDAR-Inertial-Visual Odometry System Using Spatio-Temporal Normals
- Title（参考訳）: Dynamic-LIVO:時空間正規化を用いた動的LiDAR-慣性ビジュアルオドメトリーシステム
- Abstract要約: 本稿では,動的環境におけるロバストな状態推定と静的カラーマッピングのための動的認識型LiDAR-Inertial-Visual Odometry(LIVO)システムであるDynamic-LIVOを提案する。
Dynamic-LIVOはS-T法則解析を用いて動的LiDAR点を特定し、その結果の分類をLiDAR慣性および視覚慣性更新の両方に伝達する。
- 参考スコア（独自算出の注目度）: 10.025549715794659
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper proposes Dynamic-LIVO, a dynamic-aware LiDAR-Inertial-Visual Odometry (LIVO) system for robust state estimation and static colored mapping in dynamic environments. Dynamic-LIVO employs Spatio-Temporal (S-T) normal analysis to identify dynamic LiDAR points and propagates the resulting classification to both LiDAR-inertial and visual-inertial updates, preventing dynamic LiDAR measurements and their associated visual observations from affecting state estimation and mapping. However, S-T normal estimation can be unreliable in newly observed and spatially sparse regions due to insufficient spatio-temporal observations. To address this issue, we introduce a time-delayed S-T normal estimation strategy that defers the classification of insufficiently constrained points and re-evaluates them as additional observations become available. This strategy improves dynamic classification reliability while preserving valid static points for map construction. Extensive experiments on public and self-collected datasets with diverse sensor configurations demonstrate that Dynamic-LIVO improves localization accuracy and produces cleaner static colored maps in challenging dynamic environments. The source code and self-collected dataset will be publicly released upon acceptance.
- Abstract（参考訳）: 本稿では,動的環境におけるロバストな状態推定と静的カラーマッピングのための動的認識型LiDAR-Inertial-Visual Odometry(LIVO)システムであるDynamic-LIVOを提案する。
Dynamic-LIVOは、動的LiDAR点を同定し、その結果をLiDAR慣性と視覚慣性の両方に分類し、動的LiDAR測定とその関連する視覚的観察が状態推定とマッピングに影響を与えることを防止している。
しかし、S-T正規推定は時空間観測が不十分なため、新たに観測された領域や空間的にスパースな領域では信頼性が低い。
この問題に対処するために、時間遅れのS-T正規推定戦略を導入し、制約の不十分な点の分類を無視し、さらなる観測が可能になったときに再評価する。
この戦略は、マップ構築のための有効な静的点を保持しながら、動的分類信頼性を向上させる。
さまざまなセンサ構成を持つ公開データセットと自己コンパイルデータセットに関する大規模な実験は、Dynamic-LIVOがローカライゼーションの精度を改善し、挑戦的な動的環境においてよりクリーンな静的なマップを生成することを示す。
ソースコードと自己コンパイルされたデータセットは、受理時に公開される。
関連論文リスト
- RoSe-SLAM: Robust Semantic-Aware Gaussian Splatting SLAM from Dynamic Monocular Videos [15.997523841343785]
本稿では,ロバスト・セマンティック・アウェア・ガウス・スプティングSLAM(RoSe-SLAM)を提案する。
従来の意味的ラベルを用いた意味的SLAMとは異なり、RoSe-SLAMは2次元基礎モデルからの意味的特徴を利用して動的追跡とマッピング性能を向上させる。
提案手法は軌道推定と静的シーンマッピングの両方において優れた性能を示し, 長期間の屋内環境における既存の動的RGB SLAMベースラインよりも優れた性能を示す。
論文 参考訳（メタデータ） (2026-08-29T02:26:23Z) - PLED-VINS: A Point-Line Event-Based Visual Inertial SLAM for Dynamic Environments [8.963834719587911]
動的環境におけるロバストな状態推定を可能にする視覚慣性SLAMフレームワークであるPLED-VINSを提案する。
PLED-VINSは、オブジェクトとともに移動する評価された動的シーケンスの状態推定を改善する。
論文 参考訳（メタデータ） (2026-07-08T13:06:13Z) - Temporally Aware Densification for Dynamic 3D Gaussian Splatting [6.3814303507115575]
本稿では, 時間的可視性を付加した可視性認知(VAD)フレームワークを提案する。
提案手法は,3つの動的マルチビューベンチマークデータセットにまたがる既存手法よりも優れた動的領域の視覚的品質向上を実現する。
論文 参考訳（メタデータ） (2026-06-22T11:55:21Z) - Motion Cues from Image-based Point Tracking for LiDAR Scene Flow Estimation [59.420015367586615]
我々は、LiDARシーンフロー推定における動的オブジェクト表現を改善するための追跡誘導フレームワークであるTrackCueを紹介する。
特に、TrackCueは、ポイントトラッキングを再利用して、LiDARポイントに固定された高密度の画像空間軌跡を得る。
TrackCueは動的ラベルの精度とF1スコアを大幅に向上し、自己監督型シーンフロー推定の性能向上につながることを示す。
論文 参考訳（メタデータ） (2026-05-16T10:28:54Z) - GGD-SLAM: Monocular 3DGS SLAM Powered by Generalizable Motion Model for Dynamic Environments [7.864663125771112]
GGD-SLAMは、動的環境における局所化と高密度マッピングの課題に対処するために、一般化可能な運動モデルを利用するフレームワークである。
静的コンポーネントと動的コンポーネントを分離するために、動的機能拡張器と統合されている。
実世界の動的データセットを用いた実験により,カメラポーズ推定と動的シーンの高密度再構成において,提案方式が最先端の性能を達成することを示した。
論文 参考訳（メタデータ） (2026-04-14T14:58:11Z) - Towards Generalizable Robotic Manipulation in Dynamic Environments [48.77270850350943]
VLA(Vision-Language-Action)モデルは静的な操作では優れているが、動いた軌跡を持つ動的環境では困難である。
本稿では、大規模なデータセットと一般的な動的操作のためのベンチマークであるDOMINOを紹介する。
また、動的に認識可能なVLAアーキテクチャPUMAを提案する。
論文 参考訳（メタデータ） (2026-03-16T17:59:57Z) - ADD-SLAM: Adaptive Dynamic Dense SLAM with Gaussian Splatting [12.846353008321394]
ADD-SLAM: ガウス分割に基づくAdaptive Dynamic Dense SLAMフレームワーク。
シーン整合性解析に基づく適応的動的識別機構を設計する。
事前に定義されたセマンティックなカテゴリは必要とせず、シーンのダイナミクスを適応的に発見する。
論文 参考訳（メタデータ） (2025-05-26T02:17:17Z) - UrbanGS: Semantic-Guided Gaussian Splatting for Urban Scene Reconstruction [86.4386398262018]
UrbanGSは2Dセマンティックマップと既存の動的ガウスアプローチを使って静的オブジェクトとシーンを区別する。
動的オブジェクトに対して、学習可能な時間埋め込みを用いて時間情報を集約する。
提案手法は, 修復の質と効率性において, 最先端の手法より優れている。
論文 参考訳（メタデータ） (2024-12-04T16:59:49Z) - DyG-Mamba: Continuous State Space Modeling on Dynamic Graphs [59.434893231950205]
動的グラフ学習は、現実世界のシステムにおける進化の法則を明らかにすることを目的としている。
動的グラフ学習のための新しい連続状態空間モデルDyG-Mambaを提案する。
我々はDyG-Mambaがほとんどのデータセットで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） (2024-08-13T15:21:46Z) - Periodic Vibration Gaussian: Dynamic Urban Scene Reconstruction and Real-time Rendering [49.36767999382054]
周期振動ガウスモデル(PVG)を提案する。
PVGは、当初静的シーン表現のために設計された効率的な3Dガウススプラッティング技術に基づいている。
PVGは、最良の代替品よりも900倍の速度でレンダリングできる。
論文 参考訳（メタデータ） (2023-11-30T13:53:50Z) - Stochastically forced ensemble dynamic mode decomposition for
forecasting and analysis of near-periodic systems [65.44033635330604]
本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。
固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。
電力グリッドからの負荷データを用いたテストケースの結果が提示される。
論文 参考訳（メタデータ） (2020-10-08T20:25:52Z)
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。