論文の概要: VkVIO: Cross-platform GPU Acceleration for Visual-Inertial Odometry with Vulkan

• arxiv url: http://arxiv.org/abs/2609.30459v1
• Date: Thu, 24 Sep 2026 18:50:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.107047
• Title: VkVIO: Cross-platform GPU Acceleration for Visual-Inertial Odometry with Vulkan
• Title（参考訳）: VkVIO: Vulkanを使ったビジュアル慣性オドメトリーのためのクロスプラットフォームGPUアクセラレーション
• Abstract要約: 視覚慣性オドメトリー(VIO)と同時局在マッピング(VI-SLAM)は、この目標を低コストで正確な方法で達成する方法として証明されている。 VIOは、ロボット工学とXRにおける低消費電力で低コストなVIOを可能にする。 本稿では,3Dグラフィックスアプリケーションの厳格な性能要求のために設計されたVulkan APIについて述べる。
• 参考スコア（独自算出の注目度）: 45.88028371034407
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Perception in robotics and XR fundamentally relies on good state estimation. Visual-inertial odometry (VIO) and Simultaneous Localization and Mapping (VI-SLAM) are proven ways of achieving this goal in a cost-effective and accurate manner. Efficiency in these systems allows for smaller, cooler, and lighter devices. GPU acceleration is a natural approach for reducing latency, thanks to their wide availability in platforms like embedded computers, mobile phones, and XR headsets. However, previous works in the literature have limited themselves to the use of CUDA for this task, significantly reducing deployment options to a single vendor. We instead leverage the vendor-agnostic Vulkan API, originally designed for the strict performance requirements of 3D graphics applications. In this work, we present VkVIO, the first, to the best of our knowledge, cross-platform GPU-accelerated VIO method. We provide state-of-the-art accuracy with causal estimates required for real-time operation. We deploy VkVIO on a diverse range of devices spanning a workstation, a laptop, and an extremely inexpensive single-board computer, while outperforming CUDA-based systems on the same hardware. VkVIO enables possibilities for low-latency, low-power, and low-cost VIO in robotics and XR.
• Abstract（参考訳）: ロボット工学とXRの知覚は、基本的に状態推定に頼っている。 視覚慣性オドメトリー(VIO)と同時局在マッピング(VI-SLAM)は、この目標を低コストで正確な方法で達成する方法として証明されている。 これらのシステムの効率性は、より小さく、より冷たく、より軽いデバイスを可能にする。 GPUアクセラレーションは、組み込みコンピュータ、携帯電話、XRヘッドセットなどのプラットフォームで広く利用可能なため、レイテンシを低減するための自然なアプローチである。 しかしながら、これまでの文献ではCUDAの使用に制限があったため、単一のベンダへのデプロイメントオプションが大幅に削減された。 その代わりに、ベンダーに依存しないVulkan APIを活用しています。 そこで本研究では,VkVIOをクロスプラットフォームなGPUアクセラレーション型VIO法として紹介する。 実時間操作に必要な因果推定値を用いて最先端の精度を提供する。 VkVIOはワークステーション、ラップトップ、超安価なシングルボードコンピュータにまたがる多様なデバイスにデプロイしますが、同じハードウェア上でCUDAベースのシステムよりも優れています。 VkVIOは、ロボット工学とXRにおける低レイテンシ、低消費電力、低コストのVIOを可能にする。

関連論文リスト

• GLidE-SLAM: GL-Accelerated Indirect-Direct Embedded SLAM [14.783495252818168]
  GLidE-SLAMは、組み込みデバイス上でのVisual SLAMのためのハイブリッド間接フレームワークである。 システムは、中間フレーム上でGPUアクセラレーションされたダイレクトトラッキングを実行し、マップ拡張とグローバル一貫性のための完全な間接パイプラインを保存する。 ベンダーのES3.1コンピュートシェーダを使って直接トラッカーを実装しており、サポートを必要とせずに幅広い組み込みプラットフォームをデプロイできる。
  論文  参考訳（メタデータ） (2026-07-18T17:32:40Z)
• LEVIO: Lightweight Embedded Visual Inertial Odometry for Resource-Constrained Devices [18.91672527573445]
  この研究は、超低消費電力計算プラットフォーム向けに最適化された完全なVIOパイプラインであるLEVIOを提示する。 LEVIOにはOriented FASTやRotated BRIEF (ORB)といった既存のVIOコンポーネントが組み込まれている。 本稿では,アルゴリズム設計の選択とハードウェア-ソフトウェア協調最適化手法を提案し,資源制約のあるハードウェア上でのリアルタイム性能を示す。
  論文  参考訳（メタデータ） (2026-02-03T09:20:57Z)
• FusionAI: Decentralized Training and Deploying LLMs with Massive Consumer-Level GPUs [57.12856172329322]
  我々は、巨大な未使用のコンシューマレベルのGPUをアンロックする分散システムを構想する。 このシステムは、CPUとGPUメモリの制限、ネットワーク帯域幅の低さ、ピアとデバイスの多様性など、重要な課題に直面している。
  論文  参考訳（メタデータ） (2023-09-03T13:27:56Z)
• EfficientViT: Multi-Scale Linear Attention for High-Resolution Dense Prediction [67.11722682878722]
  この研究は、新しいマルチスケール線形注意を持つ高解像度ビジョンモデルのファミリーであるEfficientViTを提示する。 マルチスケール線形注意は,グローバルな受容場とマルチスケール学習を実現する。 EfficientViTは従来の最先端モデルよりも優れたパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2022-05-29T20:07:23Z)
• Project CGX: Scalable Deep Learning on Commodity GPUs [17.116792714097738]
  本稿では,ハードウェアオーバープロビジョンがアルゴリズムとシステム設計によって置き換えられるかを検討する。 本稿では,通信圧縮のための効率的なソフトウェアサポートを提供するCGXというフレームワークを提案する。 このフレームワークは、コンシューマグレードのマルチGPUシステムから通信ボトルネックを取り除くことができる。
  論文  参考訳（メタデータ） (2021-11-16T17:00:42Z)
• Faster than FAST: GPU-Accelerated Frontend for High-Speed VIO [46.20949184826173]
  この研究は、既存のコンピュータビジョンアルゴリズムを改善するために、効率的な低レベルGPUハードウェア固有の命令の適用性に焦点を当てている。 特に、非マックス抑圧とその後の特徴選択は、全体的な画像処理遅延への顕著な寄与である。
  論文  参考訳（メタデータ） (2020-03-30T14:16:23Z)

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。

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。