論文の概要: Implementation of Tightly-Coupled SLAM Fusion of GPS, IMU, and LiDAR for Autonomous Vehicles
- arxiv url: http://arxiv.org/abs/2609.20321v1
- Date: Fri, 31 Jul 2026 15:58:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-28 05:09:55.676216
- Title: Implementation of Tightly-Coupled SLAM Fusion of GPS, IMU, and LiDAR for Autonomous Vehicles
- Title（参考訳）: 自動車用GPS, IMU, LiDARの高結合SLAM融合の実現
- Abstract要約: 本稿では、Velodyne 3D LiDAR、高周波IMU、GPSを統合したSLAM融合アーキテクチャの実装について述べる。
その結果、密結合した3D融合は、個々のセンサーの盲点を効果的に克服し、高度に詳細な点雲を生成することを示した。
- 参考スコア（独自算出の注目度）: 0.7874708385247353
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Autonomous vehicles depend entirely on Simultaneous Localization and Mapping (SLAM) to navigate safely in unknown environments. However, relying on a single sensory modality introduces critical failure points: LiDAR systems degrade in featureless corridors, Inertial Measurement Units (IMUs) accumulate mathematical drift, and GPS drops frequently in urban canyons. This paper presents the implementation of a tightly-coupled SLAM fusion architecture that integrates a Velodyne 3D LiDAR, a high-frequency IMU, and GPS to achieve continuous spatial awareness. Utilizing a phased development methodology, we establish a 2D baseline to validate hardware synchronization and transform geometries before upgrading to a full 3D architecture driven by FAST-LIO2. This advanced approach uses an Iterated Error-State Kalman Filter (IESKF) to process dense 3D laser points alongside continuous inertial data, eliminating motion blur at high speeds. To eradicate long-term drift, a GTSAM pose-graph optimization back-end executes multi-modal loop closures. Evaluated across simulated environments and physical deployments, the results demonstrate that tightly-coupled 3D fusion effectively overcomes individual sensor blind spots to generate highly detailed point clouds, providing the foundational High-Definition (HD) maps required for advanced downstream autonomous planners.
- Abstract（参考訳）: 自律走行車は、未知の環境で安全に移動するためのSLAM(Sultaneous Localization and Mapping)に完全に依存している。
LiDARシステムは、特徴のない廊下で劣化し、慣性測定ユニット(IMU)は数学的ドリフトを蓄積し、都市キャニオンで頻繁にGPSが落下する。
本稿では,Velodyne 3D LiDAR,高周波IMU,GPSを統合し,連続的な空間認識を実現するSLAM融合アーキテクチャの実装について述べる。
FAST-LIO2により駆動されるフル3Dアーキテクチャにアップグレードする前に、段階的開発手法を用いてハードウェア同期の検証とジオメトリの変換を行う2Dベースラインを確立する。
この高度なアプローチでは、イテレートエラー状態カルマンフィルタ(IESKF)を使用して、連続慣性データとともに高密度な3Dレーザーポイントを処理する。
長期ドリフトを除去するため、GTSAMのポーズグラフ最適化バックエンドはマルチモーダルループクロージャを実行する。
シミュレーション環境と物理的展開で評価した結果、密結合された3D融合は、個々のセンサーの盲点を効果的に克服し、高度に詳細な点雲を生成し、下流の自律計画者に必要な基礎的な高精細(HD)マップを提供することを示した。
関連論文リスト
- Solution for UCF UrbanTwin V2X-Real Track: Sim-to-Real Urban LiDAR 3D Object Detection [54.03436243843709]
本報告では,Sim2Real 3D検出のためのマルチソース協調学習とクラス認識融合フレームワークを提案する。
この方法は、デジタルツインスキャン、拡散露光スキャン、密度安定化スキャン、歩行者形態に整列したサンプルを補完的な役割を持つ統合トレーニングプールに整理する。
論文 参考訳（メタデータ） (2026-09-07T15:16:15Z) - Embodied-Navigator: Point, Think, Memorize, and Align for Efficient Navigation [68.02899606570223]
本稿では,効率的なエンボディナビゲーションのための統合フレームワークであるTAMP-Navを提案する。
まず、ナビゲーションを2次元の視覚座標に再構成するPixel-to-3D Action Formulation(Point)を導入する。
次に,Selective Reasoning and Anchor-Trajectory Memory Mechanism (Think and Memorize)を提案する。
論文 参考訳（メタデータ） (2026-08-18T08:37:08Z) - Robust and Efficient Monocular 3D Gaussian SLAM for Kilometer-Scale Outdoor Scenes [6.445070918236315]
KiloGS-SLAMは高効率で頑丈な単分子トリガー3DSLAMシステムである。
提案手法は,最先端のトラッキング精度とレンダリング品質を実現し,単一のGPU上で1万フレームを超えるシーケンスへのスケールアップに成功した。
論文 参考訳（メタデータ） (2026-06-29T15:12:18Z) - Ultra-Fusion: A Resilient Tightly-Coupled Multi-Sensor Fusion SLAM Framework under Sensor Degradation and Spatiotemporal Perturbation for Intelligent Transportation Systems [6.0362659834721955]
本稿では,一元的スライディングウインドウ推定器に基づく密結合型マルチセンサ・ローカライズ・フレームワークであるUltra-Fusionを提案する。
M3DGR, M2DGR-Plus, KAIST, GrandTour, MARS-LVIG を用いた60以上のオープンソースSLAMシステムの評価を行った。
その結果、車輪付き、脚付き、空中プラットフォーム間の長期・高速運転時の競争精度が示された。
論文 参考訳（メタデータ） (2026-06-19T08:40:04Z) - VLMFusionOcc3D: VLM Assisted Multi-Modal 3D Semantic Occupancy Prediction [0.0]
VLMFusionOcc3Dは、自律運転における高密度な3Dセマンティック占有率予測のための堅牢なマルチモーダルフレームワークである。
我々は,車両メタデータと気象条件付きプロンプトを利用した動的ゲーティング機構であるWeather-Aware Adaptive Fusionを導入する。
我々のアプローチは、複雑な都市ナビゲーションのためのスケーラブルで堅牢なソリューションを提供するため、挑戦的な気象シナリオにおいて、大幅な改善を実現している。
論文 参考訳（メタデータ） (2026-03-03T05:22:28Z) - NOVA: Navigation via Object-Centric Visual Autonomy for High-Speed Target Tracking in Unstructured GPS-Denied Environments [56.35569661650558]
我々はNOVAというオブジェクト中心のフレームワークを導入し、ロバストな目標追跡と衝突認識ナビゲーションを可能にした。
グローバルマップを構築するのではなく、NOVAはターゲットの参照フレーム内での知覚、推定、制御を定式化する。
我々は,都市迷路や森林の小道,間欠的なGPS損失を伴う建物内の繰り返し遷移など,現実の挑戦的なシナリオにまたがってNOVAを検証する。
論文 参考訳（メタデータ） (2025-06-23T14:28:30Z) - S3MOT: Monocular 3D Object Tracking with Selective State Space Model [3.5047603107971397]
3次元空間における多物体追跡は、ロボット工学とコンピュータ応用の進歩に不可欠である。
2Dビデオストリームからの3Dアソシエーションのマイニングが難しいため、モノラルなセットアップでは依然として大きな課題である。
モノクローナル3次元MOTのための不均一なキューの融合を促進するための3つの革新的な技術を提案する。
論文 参考訳（メタデータ） (2025-04-25T04:45:35Z) - ShaSTA-Fuse: Camera-LiDAR Sensor Fusion to Model Shape and
Spatio-Temporal Affinities for 3D Multi-Object Tracking [26.976216624424385]
3Dマルチオブジェクトトラッキング(MOT)は、自律移動エージェントが安全にシーンをナビゲートするために不可欠である。
我々は,カメラとLiDARセンサ情報を融合した3DMOTフレームワークの開発を目指している。
論文 参考訳（メタデータ） (2023-10-04T02:17:59Z) - Benchmarking the Robustness of LiDAR-Camera Fusion for 3D Object
Detection [58.81316192862618]
自律運転における3D知覚のための2つの重要なセンサーは、カメラとLiDARである。
これら2つのモダリティを融合させることで、3次元知覚モデルの性能を大幅に向上させることができる。
我々は、最先端の核融合法を初めてベンチマークした。
論文 参考訳（メタデータ） (2022-05-30T09:35:37Z)
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。