論文の概要: From LiDAR Maps to Visual Localization: Unified Visual Association for Robust Point-Line-Plane Pose Estimation

• arxiv url: http://arxiv.org/abs/2609.27363v1
• Date: Wed, 23 Sep 2026 05:05:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:17.893142
• Title: From LiDAR Maps to Visual Localization: Unified Visual Association for Robust Point-Line-Plane Pose Estimation
• Title（参考訳）: LiDARマップからビジュアルローカライゼーションへ:ロバストポイントライン・プレーン・ポーズ推定のための統一ビジュアルアソシエーション
• Abstract要約: 以前のLiDARマップにおけるカメラのローカライゼーションは、長期ロボットナビゲーションに永続的な幾何学的参照を提供する。 我々は,専用画像-LiDAR対応モデルに頼るのではなく,LiDARマップを視覚的に対応できる統一的なローカライゼーションフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 15.727459837586936
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Camera localization in a prior LiDAR map provides a persistent geometric reference for long-term robotic navigation, yet remains challenging because of the substantial modality gap between camera images and point-cloud maps. We present a unified localization framework that makes the LiDAR map visually addressable rather than relying on a dedicated image-LiDAR correspondence model. Map geometry and reflectivity are rendered into LiDAR-derived quasi-images with explicit 2D-3D provenance, enabling camera observations and rendered map views to share mature visual features and matchers for both global localization and continuous pose tracking. Point and line correspondences are established through this common visual interface, while the retained provenance recovers metric LiDAR geometry and line-supported planar constraints for pose estimation. To improve robustness under ambiguous associations and weak geometry, we further introduce a distribution-aware, observability-complementary optimization strategy. Instead of reducing matching ambiguity to a scalar confidence, candidate association distributions are propagated into directional pose-information uncertainty, and reliable structural factors are selectively reinforced according to their ability to complement the currently weak pose directions. Experiments on the EuRoC MAV benchmark and self-collected real-world sequences demonstrate accurate global localization and robust continuous 6-DoF tracking using only a pre-built LiDAR map as the persistent prior, including under severe illumination variations and dynamic occlusions.
• Abstract（参考訳）: 以前のLiDARマップにおけるカメラのローカライゼーションは、長期にわたるロボットナビゲーションの幾何学的参照を提供するが、カメラ画像とポイントクラウドマップの間にはかなりのモダリティの差があるため、依然として困難である。 我々は,専用画像-LiDAR対応モデルに頼るのではなく,LiDARマップを視覚的に対応できる統一的なローカライゼーションフレームワークを提案する。 地図幾何と反射率をLiDAR由来の擬似画像に2D-3Dの鮮明な鮮明さで描画し、カメラの観察と描画された地図ビューにより、グローバルなローカライゼーションと連続的なポーズトラッキングの両方のために、成熟した視覚的特徴とマッチングを共有できる。 ポイントとラインの対応は、この共通のビジュアルインターフェースを通じて確立され、保持された前兆は、ポーズ推定のための計量LiDAR幾何とライン支持平面制約を回復する。 あいまいなアソシエーションと弱幾何の下でのロバスト性を改善するため,我々はさらに分布認識・可観測性・補足的最適化戦略を導入する。 一致したあいまいさをスカラーの信頼度に還元する代わりに、候補関係分布を方向のポーズ情報の不確実性に伝播させ、現在弱いポーズ方向を補完する能力に応じて信頼性の高い構造因子を選択的に強化する。 EuRoC MAVベンチマークと自己コンパイルされた実世界のシーケンスの実験では、厳密な照明変動やダイナミックオクルージョンを含む、事前構築されたLiDARマップのみを用いて、正確なグローバルローカライゼーションとロバストな連続6-DoF追跡が示されている。

関連論文リスト

• ARC-Loc: Leveraging Azimuthal Ray Convergence as a Geometric Cue for Direct Cross-View Localization [9.245490956012633]
  クロスビュー・ローカライゼーション(CVL)は、地上画像とジオレファレンス衛星画像とのマッチングにより、地上画像のポーズを推定する。 衛星画像のマッチングと位置決めを外部の深度基礎モデルに頼らずに直接行うことができるリセクションと呼ばれる人間のナビゲーション技術に着想を得たアプローチを提案する。
  論文  参考訳（メタデータ） (2026-09-04T10:19:37Z)
• Unifying UAV Cross-View Geo-Localization via 3D Geometric Perception [51.687842983240564]
  無人航空機(UAV)のクロスビューな地上局地化は、斜めのUAV画像と衛星地図との厳密な幾何学的相違により、いまだに困難である。 本稿では,3次元シーン形状を明示的にモデル化し,粗い位置認識ときめ細かなポーズ推定を統一する,幾何認識型UAV測位フレームワークを提案する。 提案手法は, 最先端のベースラインを著しく上回り, ロバストメータレベルのローカライゼーション精度を実現し, 複雑な都市環境における一般化を向上する。
  論文  参考訳（メタデータ） (2026-04-02T08:08:41Z)
• Graph-Loc: Robust Graph-Based LiDAR Pose Tracking with Compact Structural Map Priors under Low Observability and Occlusion [17.402591767257775]
  Graph-Locはグラフベースのローカライゼーションフレームワークで、コンパクトな構造マップの先行に対するプラットフォームポーズを追跡する。 パブリックベンチマーク、コントロールされたストレステスト、実世界のデプロイに関する実験では、KBレベルの事前処理による正確で安定したトラッキングが示されている。
  論文  参考訳（メタデータ） (2026-02-09T09:19:47Z)
• TrajVG: 3D Trajectory-Coupled Visual Geometry Learning [34.47385438436523]
  TrajVGは、クロスフレームな3D対応を明示する再構築フレームワークである。 擬似2次元トラックのみを用いて,同じ結合制約を自己教師対象に再構成する。 3Dトラッキング、ポーズ推定、ポイントマップ再構成、ビデオ深度による実験は、TrajVGが現在のフィードフォワードのパフォーマンスベースラインを上回っていることを示している。
  論文  参考訳（メタデータ） (2026-02-04T11:13:55Z)
• RSGround-R1: Rethinking Remote Sensing Visual Grounding through Spatial Reasoning [61.84363374647606]
  リモートセンシングビジュアルグラウンドディング(RSVG)は、自然言語記述に基づく大規模空中画像における対象物体のローカライズを目的としている。 これらの記述はしばしば位置的手がかりに大きく依存しており、空間的推論においてMLLM(Multimodal Large Language Models)に固有の課題を提起している。 空間理解の高度化を図るために,textbfRSGround-R1 と呼ばれる推論誘導型位置認識後学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-29T12:35:57Z)
• TALO: Pushing 3D Vision Foundation Models Towards Globally Consistent Online Reconstruction [57.46712611558817]
  3次元視覚基礎モデルでは、1つのフィードフォワードパスを通して、未校正画像からキー3D属性を再構成する際の強力な一般化が示されている。 近年の戦略は,グローバルトランスフォーメーションの解決によって連続的な予測と整合するが,本分析では,仮定の妥当性,局所的なアライメント範囲,雑音的幾何の下でのロバスト性といった基本的な限界を明らかにしている。 本研究では,グローバルに伝播する制御点を利用して空間的に異なる不整合を補正する,Tin Plate Splineに基づく高DOFおよび長期アライメントフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-02T02:22:20Z)
• Loc$^2$: Interpretable Cross-View Localization via Depth-Lifted Local Feature Matching [80.57282092735991]
  本稿では,高精度かつ解釈可能なクロスビューローカライズ手法を提案する。 地上画像の3自由度(DoF)のポーズを、その局所的な特徴と基準空中画像とをマッチングすることによって推定する。 実験では、クロスエリアテストや未知の向きといった挑戦的なシナリオにおいて、最先端の精度を示す。
  論文  参考訳（メタデータ） (2025-09-11T18:52:16Z)
• Mapping and Localization Using LiDAR Fiducial Markers [0.8702432681310401]
  Dissertationは、LiDARフィデューシャルマーカーを用いたマッピングとローカライゼーションのための新しいフレームワークを提案する。 Intensity Image-based LiDAR Fiducial Marker (IFM)システムを導入する。 LFMに基づく新しいマッピングとローカライズ手法は、順序のない低オーバーラップ点雲を登録する。
  論文  参考訳（メタデータ） (2025-02-05T17:33:59Z)
• 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)
• Tight-Integration of Feature-Based Relocalization in Monocular Direct Visual Odometry [49.89611704653707]
  本稿では,地図に基づく再局在化をオンラインビジュアル・オドメトリーに統合するためのフレームワークを提案する。 我々は画像特徴をDSO(Direct Sparse Odometry)に統合し、オンライン視覚計測と以前に構築された地図を関連付ける機能マッチングに依存する。
  論文  参考訳（メタデータ） (2021-02-01T21:41:05Z)

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。