Fugu-MT 論文翻訳(概要): Temporal-Aware Fusion for Robust Outdoor LiDAR Localization

論文の概要: Temporal-Aware Fusion for Robust Outdoor LiDAR Localization

arxiv url: http://arxiv.org/abs/2609.36432v1
Date: Tue, 29 Sep 2026 00:45:39 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-30 21:28:47.079859
Title: Temporal-Aware Fusion for Robust Outdoor LiDAR Localization
Title（参考訳）: ロバストな屋外LiDAR局所化のための時間認識核融合法
Abstract要約: LiDAR再局在は、環境中のセンサーのグローバルな6-DoFポーズを推定することを目的としている。一貫性を効果的にモデル化することにより、屋外局所化の堅牢性を高めるための時間認識フレームワーク(Temp-Loc)を提案する。 NCLTとOxford RobotCarのベンチマーク実験の結果、Temp-Locは最先端の手法よりも大きなマージンで優れていることが示された。
参考スコア（独自算出の注目度）: 23.66146804721126
License: http://creativecommons.org/licenses/by/4.0/
Abstract: LiDAR relocalization aims to estimate the global 6-DoF pose of a sensor in the environment. However, existing regression-based approaches often encounter limitations in dynamic or ambiguous scenarios, as they typically prioritize single-frame inference, leaving the potential of spatio-temporal consistency across scans not fully explored. In this paper, we propose a Temporal-aware Localization framework (TempLoc) designed to enhance the robustness of outdoor localization by effectively modeling sequential consistency. Specifically, a Global Coordinate Estimation module is first introduced to predict point-wise global coordinates and associated uncertainties for each LiDAR scan. A Prior Coordinate Generation module is then presented to estimate inter-frame point correspondences by the attention mechanism. Lastly, an Uncertainty-Guided Coordinate Fusion module is deployed to integrate both predictions of point correspondence in an end-to-end fashion, yielding a more temporally consistent and accurate global 6-DoF pose. Experimental results on the NCLT and Oxford RobotCar benchmarks show that our TempLoc outperforms state-of-the-art methods by a large margin, demonstrating the effectiveness of temporal-aware correspondence modeling in LiDAR relocalization.
Abstract（参考訳）: LiDAR再局在は、環境中のセンサーのグローバルな6-DoFポーズを推定することを目的としている。しかし、既存の回帰ベースのアプローチは、通常、単一のフレームの推論を優先し、スキャン全体にわたる時空間一貫性の可能性を十分に探求していないため、動的または曖昧なシナリオの制限に直面することが多い。本稿では, 逐次的一貫性を効果的にモデル化することにより, 屋外局所化の堅牢性を高めるための時間認識型局所化フレームワーク(TempLoc)を提案する。具体的には,各LiDARスキャンの点座標と関連する不確実性を予測するために,まずGlobal Coordinate Estimationモジュールを導入する。先行コーディネート生成モジュールは、アテンション機構によりフレーム間対応を推定するために提示される。最後に、不確実性誘導コーディネートフュージョンモジュールが配置され、ポイント対応の予測をエンドツーエンドで統合し、より時間的に一貫性があり正確なグローバル6-DoFのポーズが得られる。 NCLTとOxford RobotCarベンチマークによる実験結果から、TempLocは最先端の手法を大きなマージンで上回り、LiDAR再ローカライゼーションにおける時間認識対応モデルの有効性を示した。

関連論文リスト

UniGIO: Unified Generative Global In-situ Weather Modeling from Spatiotemporal Incomplete Observations [105.39188182564179]
グローバルインサイト観測(Global In-situ Observation, GIO)は、希少な局から地球規模の気象システムの詳細な直接記録を提供する。 GIOは強い不完全性を示し、精度とリアルタイムの気象モデリングを著しく損なう。自然不完全なGIOからグローバルな気象力学を直接モデル化するための新しい生成フレームワークUniGIOについて検討する。
論文参考訳（メタデータ） (2026-09-02T08:37:27Z)
Towards Physically Consistent 4D Scene Reconstruction for Closed-loop Autonomous Driving Simulation [19.055975606481635]
高忠実なストリートシーンの再構築は、エンドツーエンドの自動運転シミュレーションにおいて重要である。既存の3DGSメソッドとその4D拡張は、両方を同時に達成できない。空間的識別性を回復するための直交射影勾配(OPG)を提案する。
論文参考訳（メタデータ） (2026-05-20T11:09:53Z)
CaC: Advancing Video Reward Models via Hierarchical Spatiotemporal Concentrating [49.94171749437024]
本稿では,ビジョンランゲージモデルに基づく粗大な異常報酬モデルである集中と集中(CaC)を提案する。フレーム単位のバウンディングボックスアノテーション,時間的異常ウィンドウ,微粒な属性ラベルを備えた,最初の大規模ビデオ異常データセットを構築した。実験では、CaCは微妙な異常に安定して集中することができ、微細な異常ベンチマークの精度が25.7%向上した。
論文参考訳（メタデータ） (2026-05-12T08:08:33Z)
Recovering Physical Dynamics from Discrete Observations via Intrinsic Differential Consistency [12.266189649117003]
我々は地域の監督をグローバルな構造的制約に置き換える。この特性からの偏差が2つの目的に作用する時間条件のセカント速度場を訓練する。トレーニング正則化器として、時間スケールで一貫して構成されるフローに仮説空間を限定する。
論文参考訳（メタデータ） (2026-05-08T20:24:32Z)
From Single Scan to Sequential Consistency: A New Paradigm for LIDAR Relocalization [23.47616547312225]
LiDAR再局在は、環境中のセンサーのグローバルな6-DoFポーズを推定することを目的としている。逐次一貫性を効果的にモデル化することにより、局所性の堅牢性を高める新しいLiDAR再ローカライゼーションフレームワークを提案する。 NCLTとOxford Robot-CarLocのベンチマークによる実験結果から、TempLocは最先端の手法よりも大きなマージンで優れていることがわかった。
論文参考訳（メタデータ） (2026-02-03T07:11:18Z)
U4D: Uncertainty-Aware 4D World Modeling from LiDAR Sequences [54.77163447282599]
既存の生成フレームワークは、すべての空間領域を均一に扱い、現実世界のシーンで様々な不確実性を見渡せる。 4次元LiDAR世界モデリングのための不確実性認識フレームワークであるU4Dを提案する。提案手法はまず,事前訓練されたセグメンテーションモデルから空間不確実性マップを推定し,意味論的に困難な領域を局所化する。次に,(1)高エントロピー領域を微細な幾何学的忠実度で再構成する不確実領域モデリング,(2)学習された構造的先行条件の下で残りの領域を合成する不確実条件完備化という2つの段階を通じて,「ハード・トゥ・イージー」な方法で生成を行う。
論文参考訳（メタデータ） (2025-12-02T17:59:57Z)
LiDAR-BIND-T: Improved and Temporally Consistent Sensor Modality Translation and Fusion for Robotic Applications [2.112132378217468]
本稿では,多元性センサ(レーダー,ソナー)をLiDAR定義潜在空間に結合するモジュール型マルチモーダル融合フレームワークLiDAR-BINDを拡張した。 i)連続的な潜伏表現を整列する時間的埋め込み類似性、(ii)予測と地上の真実のLiDARの変位に一致する動きに沿った変換損失、(iii)特別な時間的加群を用いた窓付き時間的融合、の3つの貢献を紹介する。
論文参考訳（メタデータ） (2025-09-06T14:21:27Z)
Cross Space and Time: A Spatio-Temporal Unitized Model for Traffic Flow Forecasting [16.782154479264126]
時間的要因間の複雑な相互作用により、バックボーン・時間的トラフィックフローを予測することが課題となる。既存のアプローチでは、これらの次元を分離し、重要な相互依存を無視している。本稿では,空間的および時間的依存関係の両方をキャプチャする統合フレームワークであるSanonymous-Temporal Unitized Unitized Cell (ASTUC)を紹介する。
論文参考訳（メタデータ） (2024-11-14T07:34:31Z)
USTEP: Spatio-Temporal Predictive Learning under A Unified View [62.58464029270846]
UTEP(Unified S-Temporal Predictive Learning)は,マイクロテンポラリスケールとマクロテンポラリスケールを統合した再帰的および再帰的フリーな手法を再構築する,革新的なフレームワークである。
論文参考訳（メタデータ） (2023-10-09T16:17:42Z)
Global-to-Local Modeling for Video-based 3D Human Pose and Shape Estimation [53.04781510348416]
フレーム内精度とフレーム間スムーズさにより,映像に基づく3次元人間のポーズと形状推定を評価する。エンドツーエンドフレームワークGLoT(Global-to-Local Transformer)における長期的・短期的相関のモデル化を構造的に分離することを提案する。我々のGLoTは、一般的なベンチマーク(3DPW、MPI-INF-3DHP、Human3.6M)において、最も低いモデルパラメータを持つ従来の最先端の手法を上回る。
論文参考訳（メタデータ） (2023-03-26T14:57:49Z)
Temporal Context Aggregation Network for Temporal Action Proposal Refinement [93.03730692520999]
時間的行動提案生成はビデオ理解分野において難しいが重要な課題である。現在の方法はまだ不正確な時間境界と検索に使用される劣った自信に苦しんでいます。 TCANet は、「ローカルおよびグローバル」な時間的コンテキストアグリゲーションを通じて、高品質のアクション提案を生成するために提案します。
論文参考訳（メタデータ） (2021-03-24T12:34:49Z)

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。