Fugu-MT 論文翻訳(概要): MOLA LiDAR-Inertial Odometry (MOLA-LIO) on the COMFORT Localization Benchmark

論文の概要: MOLA LiDAR-Inertial Odometry (MOLA-LIO) on the COMFORT Localization Benchmark

arxiv url: http://arxiv.org/abs/2609.25813v1
Date: Tue, 22 Sep 2026 07:42:14 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-23 18:04:04.272848
Title: MOLA LiDAR-Inertial Odometry (MOLA-LIO) on the COMFORT Localization Benchmark
Title（参考訳）: COMFORTローカライゼーションベンチマークにおけるMOLA LiDAR-Inertial Odometry (MOLA-LIO)
Abstract要約: MOLA-LOをLiDAR慣性系に拡張し、IMUを摂取し、オプションで手足の運動計測を行う。アーキテクチャ、消費されるストリーム、送信された構成を選択するローカルプロトコル、およびリアルタイムクレームをバックアップする計測について説明する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: This short report documents our entry to the COMFORT Localization Benchmark (IROS 2026), evaluated on the GrandTour dataset recorded with the Boxi payload. It extends MOLA-LO into a LiDAR-inertial system that also ingests IMU and, optionally, legged kinematic odometry. We describe the architecture, the streams consumed, the local protocol that selected the submitted configuration, and the measurements backing our real-time claim.
Abstract（参考訳）: 本報告では,Boxiペイロードで記録されたGrandTourデータセットに基づいて評価したCOMFORT Localization Benchmark (IROS 2026)へのエントリについて報告する。 MOLA-LOをLiDAR慣性系に拡張し、IMUを摂取し、オプションで手足の運動計測を行う。アーキテクチャ、消費されるストリーム、送信された構成を選択するローカルプロトコル、およびリアルタイムクレームをバックアップする計測について説明する。

関連論文リスト

A Measurement Report Data-Driven Framework for Localized Statistical Channel Modeling [25.91473621688449]
局所統計チャネルモデリング(LSCM)は、ディジタルツインアシストネットワーク最適化における効果的な性能評価に不可欠である。既存の手法は、高い収集コストと限られた空間範囲を持つ駆動テストデータに大きく依存している。本稿では,低コストかつ広範囲なMRデータの収集を活かしたLSCMのための計測レポート(MR)データ駆動フレームワークを提案する。
論文参考訳（メタデータ） (2025-09-16T10:59:22Z)
Retrieval Augmented Generation Based LLM Evaluation For Protocol State Machine Inference With Chain-of-Thought Reasoning [0.0]
本稿では,RAGをベースとしたエージェント型大規模言語モデル(LLM)アーキテクチャのネットワークパケットのシード生成とエンリッチメントにおける効率性を評価するための新しい手法を提案する。実験の結果, BLEU, ROUGE, WERでは, それぞれ18.19%, 14.81%, 23.45%の大幅な改善が見られた。
論文参考訳（メタデータ） (2025-01-30T01:03:49Z)
ROLO-SLAM: Rotation-Optimized LiDAR-Only SLAM in Uneven Terrain with Ground Vehicle [49.61982102900982]
荒地における地上車両の姿勢推定精度を向上させるために,LiDARを用いたSLAM法を提案する。累積誤差の低減を支援するために,グローバルスケールの因子グラフが確立されている。その結果,ROLO-SLAMは地上車両の姿勢推定に優れ,既存のLiDAR SLAMフレームワークよりも優れていた。
論文参考訳（メタデータ） (2025-01-04T02:44:27Z)
Provenance: A Light-weight Fact-checker for Retrieval Augmented LLM Generation Output [49.893971654861424]
検索強化生成(RAG)から非実効出力を検出する軽量な手法を提案する。私たちは、二項決定を下すためにしきい値にできる事実性スコアを計算します。実験の結果, ROC曲線 (AUC) の下では, 関連するオープンソースデータセットの広範囲にわたって高い面積を示すことができた。
論文参考訳（メタデータ） (2024-11-01T20:44:59Z)
LiVisSfM: Accurate and Robust Structure-from-Motion with LiDAR and Visual Cues [7.911698650147302]
LiVisSfMは、LiDARとビジュアルキューを完全に組み合わせたSfMベースの再構築システムである。本稿では,LiDARのフレーム登録を革新的に行うLiDAR-visual SfM法を提案する。
論文参考訳（メタデータ） (2024-10-29T16:41:56Z)
SOLVR: Submap Oriented LiDAR-Visual Re-Localisation [13.434340164323473]
SOLVRは、センサーのモード間で位置認識と6-DoF登録を実行する。我々は,SOLVRがLiDAR-Visual 位置認識と登録のための最先端性能を実現していることを示す。
論文参考訳（メタデータ） (2024-09-16T12:58:03Z)
LocoNeRF: A NeRF-based Approach for Local Structure from Motion for Precise Localization [2.201107282249874]
本研究では,Structure from Motion (SfM) 技術を用いて,視覚的位置決めの精度を向上させる新しい手法を提案する。我々は,高レイテンシに悩まされるグローバルSfMの限界と,高精度な再構成のために大規模な画像データベースを必要とするローカルSfMの課題を強調した。
論文参考訳（メタデータ） (2023-10-08T11:54:25Z)
MV-JAR: Masked Voxel Jigsaw and Reconstruction for LiDAR-Based Self-Supervised Pre-Training [58.07391711548269]
Masked Voxel Jigsaw and Reconstruction (MV-JAR) method for LiDAR-based self-supervised pre-training Masked Voxel Jigsaw and Reconstruction (MV-JAR) method for LiDAR-based self-supervised pre-training
論文参考訳（メタデータ） (2023-03-23T17:59:02Z)
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)
Pit30M: A Benchmark for Global Localization in the Age of Self-Driving Cars [39.94419250485135]
Pit30Mは3000万フレームを超える新しい画像とLiDARデータセットで、これは以前の研究の10倍から100倍の大きさだ。 Pit30Mは様々な条件(季節、天気、日時、交通量)で捕獲され、正確な位置決めの真実を提供する。我々は、画像とLiDAR検索のための既存の複数の手法をベンチマークし、その過程で、単純で効果的な畳み込みネットワークに基づくLiDAR検索手法を導入する。
論文参考訳（メタデータ） (2020-12-23T01:24:41Z)
Learning to Localize Using a LiDAR Intensity Map [87.04427452634445]
自動運転車のリアルタイム・キャリブレーション非依存・効果的なローカライズシステムを提案する。私たちの方法は、オンラインLiDARスイープと強度マップをジョイントディープ埋め込みスペースに埋め込む方法を学びます。システム全体の動作は15hzで,さまざまなlidarセンサや環境においてセンチメートルレベルの精度を実現しています。
論文参考訳（メタデータ） (2020-12-20T11:56:23Z)

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。