論文の概要: SLAMSqueezeBench: Comparing SLAM Systems under Resource Constraints

• arxiv url: http://arxiv.org/abs/2609.19533v1
• Date: Thu, 17 Sep 2026 00:59:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.054823
• Title: SLAMSqueezeBench: Comparing SLAM Systems under Resource Constraints
• Title（参考訳）: SLAMSqueezeBench:資源制約下でのSLAMシステムの比較
• Abstract要約: 同時ローカライゼーションとマッピング(SLAM)は、自律ロボット上で動作するサービスの1つである。 既存のベンチマークでは、現実的なリソース制約の下でSLAMシステムを比較するための共通のメカニズムが欠如している。 我々は、エッジハードウェア上で現実的なワークロード下でSLAMシステムのテストを可能にするフレームワークであるSLAMSqueezeBenchを開発した。
• 参考スコア（独自算出の注目度）: 8.847084650820925
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Simultaneous localization and mapping (SLAM) is one of the services running on an autonomous robot. It is typically run to assist other tasks such as planning, manipulation, etc. All these tasks are run on edge hardware and are subject to severe resource constraints. However, most SLAM systems are built and tested in isolation, and their performance is reported as if they are the only task running on a system. We observe that existing benchmarks lack a common mechanism for comparing SLAM systems under realistic resource constraints. To address this limitation, we have developed SLAMSqueezeBench, a framework that allows testing of SLAM systems under realistic workloads on edge hardware. It does so by imposing constraints on compute and memory resources available for the SLAM system during execution. It also simulates realistic camera frame acquisition with frame drops when a finite buffer is full. Using SLAMSqueezeBench, we compare nine SLAM systems spanning classical systems, learning-based systems, and approaches for Gaussian splatting. Our testing framework will be available for use by the community upon publication.
• Abstract（参考訳）: 同時ローカライゼーションとマッピング(SLAM)は、自律ロボット上で動作するサービスの1つである。 通常は、計画や操作などの他のタスクを支援するために実行される。 これらのタスクはすべてエッジハードウェア上で実行され、厳しいリソース制約を受けます。 しかしながら、ほとんどのSLAMシステムは独立して構築およびテストされており、そのパフォーマンスはシステム上で実行される唯一のタスクであるかのように報告される。 既存のベンチマークでは、現実的なリソース制約下でSLAMシステムを比較するための共通のメカニズムが欠如していることが観察されている。 この制限に対処するため、私たちはSLAMSqueezeBenchを開発しました。これは、エッジハードウェア上で現実的なワークロード下でSLAMシステムのテストを可能にするフレームワークです。 これは、実行中にSLAMシステムで利用可能な計算リソースとメモリリソースに制約を課すことによって実現される。 また、有限バッファが満ちているとき、フレームドロップでリアルなカメラフレームの取得をシミュレートする。 SLAMSqueezeBenchを用いて、古典的システム、学習ベースシステム、ガウス的スプラッティングのアプローチを9つのSLAMシステムと比較する。 私たちのテストフレームワークは、公開時にコミュニティから利用可能になります。

関連論文リスト

• MASEval: Extending Multi-Agent Evaluation from Models to Systems [77.09381093359598]
  MASEvalはフレームワークに依存しないライブラリで、システム全体を分析の単位として扱う。 研究者はエージェントシステムのすべてのコンポーネントを探索し、原則化されたシステム設計のための新たな道を開くことができる。
  論文  参考訳（メタデータ） (2026-03-09T18:46:17Z)
• Plug-and-Play Benchmarking of Reinforcement Learning Algorithms for Large-Scale Flow Control [61.155940786140455]
  強化学習(RL)は,アクティブフロー制御(AFC)において有望な結果を示した。 現在のAFCベンチマークは、外部計算流体力学(CFD)の解法に依存しており、完全には微分不可能であり、3Dとマルチエージェントのサポートが限られている。 AFCにおけるRLのための最初のスタンドアロンで完全に差別化可能なベンチマークスイートであるFluidGymを紹介する。
  論文  参考訳（メタデータ） (2026-01-21T14:13:44Z)
• VSLAM-LAB: A Comprehensive Framework for Visual SLAM Methods and Datasets [64.57742015099531]
  VSLAM-LABは、VSLAMシステムの開発、評価、デプロイを効率化する統合フレームワークである。 VSLAMアルゴリズムのシームレスなコンパイルと構成、データセットの自動ダウンロードと前処理、標準化された実験設計、実行、評価を可能にする。
  論文  参考訳（メタデータ） (2025-04-06T12:02:19Z)
• Self-Organizing Edge Computing Distribution Framework for Visual SLAM [0.6749750044497732]
  本稿では,デバイスネットワーク上で完全に分散されたSLAM実行を自己組織化できる新しいエッジ支援SLAMフレームワークを提案する。 アーキテクチャは3つのレイヤで構成されており、デバイスに依存しず、ネットワーク障害に対して回復力があり、コアSLAMシステムに最小限の侵入力を持つように設計されている。
  論文  参考訳（メタデータ） (2025-01-15T07:24:15Z)
• DROID-Splat: Combining end-to-end SLAM with 3D Gaussian Splatting [3.2771631221674333]
  本稿では,エンドツーエンドトラッカーをベースとしたSLAMシステムを導入し,最近の3次元ガウス切削技術に基づくレンダラーで拡張する。 フレームワーク textbfDroidSplat は、共通のSLAMベンチマーク上での SotA のトラッキングとレンダリングの結果を達成する。
  論文  参考訳（メタデータ） (2024-11-26T18:25:51Z)
• NGD-SLAM: Towards Real-Time Dynamic SLAM without GPU [4.959552873584984]
  本稿では,CPU上でのみ動作するリアルタイム動的SLAMシステムを提案する。 本稿では,カメラ追跡と深層学習に基づくマスキングを分離するマスク伝搬機構を提案する。 従来の手法と比較して,ラップトップCPU上での追跡フレームレート60FPSを実現しつつ,動的環境における高精度なローカライゼーションを実現する。
  論文  参考訳（メタデータ） (2024-05-12T23:00:53Z)
• Using Detection, Tracking and Prediction in Visual SLAM to Achieve Real-time Semantic Mapping of Dynamic Scenarios [70.70421502784598]
  RDS-SLAMは、一般的に使用されているIntel Core i7 CPUのみを使用して、動的シナリオのためのオブジェクトレベルでのセマンティックマップをリアルタイムで構築することができる。 我々は, TUM RGB-DデータセットにおけるRDS-SLAMを評価し, 動的シナリオにおいて, RDS-SLAMはフレームあたり30.3msで動作可能であることを示した。
  論文  参考訳（メタデータ） (2022-10-10T11:03:32Z)
• NICE-SLAM: Neural Implicit Scalable Encoding for SLAM [112.6093688226293]
  NICE-SLAMは階層的なシーン表現を導入することでマルチレベルローカル情報を組み込んだ高密度SLAMシステムである。 最近の暗黙的SLAMシステムと比較して、私たちのアプローチはよりスケーラブルで効率的で堅牢です。
  論文  参考訳（メタデータ） (2021-12-22T18:45:44Z)
• OV$^{2}$SLAM : A Fully Online and Versatile Visual SLAM for Real-Time Applications [59.013743002557646]
  OV$2$SLAMは、モノクロカメラとステレオカメラの両方のセットアップ、さまざまなマップスケール、フレームレートを、数ヘルツから数百まで、完全にオンラインのアルゴリズムである。 コミュニティの利益のために、ソースコードを urlhttps://github.com/ov2slam/ov2slam でリリースします。
  論文  参考訳（メタデータ） (2021-02-08T08:39:23Z)
• DXSLAM: A Robust and Efficient Visual SLAM System with Deep Features [5.319556638040589]
  本稿では、深層畳み込みニューラルネットワーク(CNN)による特徴抽出を、現代のSLAMフレームワークにシームレスに組み込むことができることを示す。 提案システムでは,最新のCNNを用いて各画像フレーム内のキーポイントを検出し,キーポイント記述子だけでなく,全体像のグローバル記述子も提供する。
  論文  参考訳（メタデータ） (2020-08-12T16:14:46Z)

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。