論文の概要: A Differentiable Optimization Framework for Registering Sequential Bounding Boxes with Point Cloud Stream
- arxiv url: http://arxiv.org/abs/2609.34103v1
- Date: Mon, 28 Sep 2026 01:41:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-04 06:57:39.016438
- Title: A Differentiable Optimization Framework for Registering Sequential Bounding Boxes with Point Cloud Stream
- Title（参考訳）: Point Cloud Stream を用いた逐次バウンディングボックスの登録のための微分可能な最適化フレームワーク
- Abstract要約: L-BFGSと組み合わせてすべてのポーズを解く。
配向アライメントは推定速度と相関し,その推定値がノイズとなるとフェールする。
地道なルールは、時間スケールを選択し、すべてのトラックを粗さ予算内に保持することができる。
- 参考スコア（独自算出の注目度）: 7.545487679305508
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Refining a sequence of coarse 3D bounding boxes against a LiDAR point-cloud stream demands tracks that are geometrically accurate (high IoU) and temporally coherent (low roughness), preferably without training data. The usual recipe keeps the two concerns apart: register each frame independently, then smooth the trajectory afterwards with a Kalman~RTS or Savitzky--Golay filter. Smoothing displaces boxes from a geometric optimum and never re-optimises, so it trades accuracy for smoothness. We instead fold the temporal smoothness constraint into a training-free registration objective and solve for all poses jointly with L-BFGS. The payoff depends on how well the object is seen. On well-observed tracks it is large: within the low-roughness budget, the joint objective beats both post-hoc smoothers on paired multi-seed statistics and cuts roughness several-fold relative to frame-wise registration at matched accuracy. Treating visibility as an experimental variable exposes the limit. The advantage decays monotonically as views become one-sided, until it is indistinguishable from zero for near-edge-on objects and slightly negative under a ray-cast simulator with range-dependent density and ego motion, where the decoupled pipeline is in fact ahead at tight roughness budgets. We locate that boundary and trace it to one term: orientation alignment ties yaw to the estimated velocity and fails once that estimate is noisy. A ground-truth-free rule can choose the temporal scale and keep every track inside the roughness budget.
- Abstract（参考訳）: 粗い3D境界ボックスの列をLiDARポイントクラウドストリームに対して精製するには、幾何学的精度(高いIoU)と時間的コヒーレント(低い粗さ)のトラックを、トレーニングデータなしで要求する。
通常のレシピでは、それぞれのフレームを独立に登録し、その後Kalman~RTSまたはSavitzky-Golayフィルタで軌道を滑らかにする。
スムースティングは、ボックスを幾何学的最適から切り離し、決して最適化しないので、正確さと滑らかさを交換する。
代わりに、時間的滑らか性制約をトレーニング不要な登録対象に折り畳み、L-BFGSと共同ですべてのポーズを解決する。
支払いは、オブジェクトがどれだけよく見えるかによって異なります。
十分に保存されたトラックでは、低空度予算において、共同目標は、ペア付きマルチシード統計において、ポストホックスムースラーを2つに打ち負かし、一致した精度でフレームワイドの登録に対して、粗さを複数倍に削減する。
実験変数として可視性を扱うと、その限界が露出する。
この利点は、ビューが片側になるにつれて単調に崩壊するが、近辺のオブジェクトではゼロと区別できず、距離依存密度とエゴ運動を持つレイキャストシミュレータではわずかに負となる。
配向アライメントは推定速度に結びつき、その推定がノイズであるときに失敗する。
地道なルールは、時間スケールを選択し、すべてのトラックを粗さ予算内に保持することができる。
関連論文リスト
- Beyond Gradient Flow: Identifiability and Recovery from Distribution Snapshots [0.0]
フォッカー・プランク方程式は、そのスコア重み付き発散によってのみ、ドリフト$F$を制約する。
タイムインデックスによる輸送の定式化は、この曖昧さを解決できない。
重み付けされたスコア重み付き発散演算子のカーネルを、ソース制約で特定できることが示される。
論文 参考訳（メタデータ） (2026-09-28T12:53:28Z) - Constrained Online Learning with Noisy Constraint Values [55.29259818039367]
一般的な実現可能性の下では、我々のLEDGERアルゴリズムは、期待される損失$O(sqrt T)と期待される予算違反$O(sqrtTlog(eT))を達成します。
スレーター条件、フィードバックチャネル間の独立性、絶対的制約値境界は不要である。
論文 参考訳（メタデータ） (2026-09-07T01:38:41Z) - Event-Based Motion Estimation via Oriented Distance Fields [55.23416502666468]
イベントベースの動き推定は、高時間分解能と高速動作に対する堅牢性を必要とするタスクの中心である。
本稿では,この最適化を,事前計算された事象距離ベクトルの場上の1つの平均ステップに置き換える,オブジェクト指向距離場運動推定(ODF Motion Estimation)を提案する。
公開および自己収集されたデータセットでは,ODFの動作推定は,比較手法の中で最低レイテンシでサブピクセル精度に達する。
論文 参考訳（メタデータ） (2026-08-25T08:27:42Z) - Biconvex Optimization for Smooth Minimum-Time Trajectories around Convex Obstacles [49.315843050082925]
本稿では,最小時間移動計画凸障害物に対して,収束が保証されるバイアプローチを提案する。
提案手法は,変数の最先端分解を生成するために,時間とともに高品質な軌道を生成する。
論文 参考訳（メタデータ） (2026-08-03T19:48:24Z) - From Distances to Trajectories: Real-Time Signed Distance Function Mapping and Distance-Accelerated Motion Planning for UAVs [8.393016378205752]
我々は、マッピングとプランニングは単一の表現を中心に共同設計されるべきであると主張する:符号付き距離関数(SDF)。
タンデムでは、距離情報を利用して最大衝突のない球を成長させる検索ベースのプランナーであるBubble$star$を開発する。
計算制約の厳密な条件下で室内環境をリアルタイムでナビゲートし,四角形回路上でのOREN-Bubble$star$アプローチを実演する。
論文 参考訳（メタデータ） (2026-07-21T17:18:46Z) - ChunkFlow: Towards Continuity-Consistent Chunked Policy Learning [5.727608625370017]
ChunkFlowは、チャンクポリシーのためのSeam対応のトレーニング・アンド・エグゼクティブフレームワークである。
各チャンクを凍結し、編集可能で、将来のゾーンに分割し、実行時に決定論的重複を適用し、シームと第1、第2の連続性損失で生の予測を訓練する。
CALVIN、LIBERO、および実際のロボットの実験では、低レイテンシ推論による成功-安定トレードオフが改善されている。
論文 参考訳（メタデータ） (2026-07-14T17:43:25Z) - Trajectory-Anchor Optimization for Overconfident Thermal Visual Place Recognition: Zero-Leakage OOD Auditing and Kidnapped-Robot Recovery [3.9929096403817255]
Trajectory-Anchor Optimization (TAO) はマクロスケールでの効率的なフェールセーフフィルタである。
5mの半径内では、幻覚はしばしば固いアライメントを知覚する局所的に一貫した幾何学を持つ。
TAOは、多視点の一貫性が破滅的な地形破壊を確実に分離する、明確な収束盆地(10m)を確立している。
論文 参考訳（メタデータ） (2026-07-06T07:31:37Z) - ForcingDAS: Unified and Robust Data Assimilation via Diffusion Forcing [24.41363445015799]
我々は、統一的で堅牢なデータ同化フレームワークForcingDASを紹介する。
ForcingDASはフレーム間遷移の代わりに、ジョイント軌道を学習する。
我々は,2次元ナビエ-ストークス渦性,降水流,大域大気状態推定におけるForcingDASの評価を行った。
論文 参考訳（メタデータ） (2026-05-14T02:34:33Z) - StraightPCF: Straight Point Cloud Filtering [50.66412286723848]
ポイントクラウドフィルタリングは、基礎となるクリーンな表面を回復しながらノイズを取り除くことを目的とした、基本的な3Dビジョンタスクである。
我々は、ポイントクラウドフィルタリングのための新しいディープラーニングベースの方法であるStraightPCFを紹介する。
ノイズの多い点を直線に沿って移動させることで、離散化誤差を低減し、クリーン表面への高速な収束を保証する。
論文 参考訳（メタデータ） (2024-05-14T05:41:59Z) - Dense Optical Tracking: Connecting the Dots [82.79642869586587]
DOTは、ビデオにおけるポイントトラッキングの問題を解決するための、新しくてシンプルで効率的な方法である。
OmniMotionのような高度な"ユニバーサルトラッカー"を上回り、CoTrackerのような最良のポイントトラッキングアルゴリズムと同等か、あるいはそれ以上の精度で、DOTが現在の光フロー技術よりもはるかに正確であることを示す。
論文 参考訳（メタデータ） (2023-12-01T18:59:59Z) - IDEA-Net: Dynamic 3D Point Cloud Interpolation via Deep Embedding
Alignment [58.8330387551499]
我々は、点方向軌跡(すなわち滑らかな曲線)の推定として問題を定式化する。
本稿では,学習した時間的一貫性の助けを借りて問題を解消する,エンドツーエンドのディープラーニングフレームワークであるIDEA-Netを提案する。
各種点群における本手法の有効性を実証し, 定量的かつ視覚的に, 最先端の手法に対する大幅な改善を観察する。
論文 参考訳（メタデータ） (2022-03-22T10:14:08Z)
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。