論文の概要: GR-LIO: A Local Ground-Aware LiDAR-Inertial Odometry System Using Body-to-Ground Height
- arxiv url: http://arxiv.org/abs/2610.05546v1
- Date: Sun, 04 Oct 2026 21:18:48 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-10-06 21:17:21.123897
- Title: GR-LIO: A Local Ground-Aware LiDAR-Inertial Odometry System Using Body-to-Ground Height
- Title（参考訳）: GR-LIO:身-身-身-身-身-身-身-身-身-身-身-身-身-身-身-身-身-身-身-身-身-身-身-身-身-身-身-身-身-身-身-身-身-身-身-身-身-身-身-身-身-身-身-身-身-身-身
- Abstract要約: LiDAR慣性オドメトリーは、地上の自律移動ロボットにおける状態推定に広く用いられている。
本稿では,局地平面形状を状態推定プロセスに明示的に組み込んだフィルタ方式の局所地表面認識型LEOフレームワークを提案する。
提案システムは、様々な運用シナリオをカバーする複数の公開ベンチマークデータセットと自己コンパイルされた実世界のデータセットで評価される。
- 参考スコア（独自算出の注目度）: 14.72562292336716
- License:
- Abstract: LiDAR-inertial odometry (LIO) is widely used for state estimation in ground-based autonomous mobile robots. However, the geometric constraints provided by the local ground surface remain largely underexploited in existing LIO systems. This paper proposes a filter-based local ground-aware LIO framework that explicitly incorporates local ground plane geometry into the state estimation process to improve both localization accuracy and computational efficiency. Specifically, a local ground plane is parameterized by the robot orientation and the body-to-ground (B-G) height and continuously propagated within the state estimation process. Based on the proposed B-G geometry model, a propagated local ground plane enables efficient and reliable ground segmentation. The segmented ground points are then incorporated into the filter update through point-to-plane geometric constraints, improving both state estimation accuracy and efficiency. Furthermore, a planar motion update is introduced to exploit the propagated local ground plane as an additional geometric constraint, effectively suppressing vertical drift and improving estimation robustness. To address the initially unknown B-G height, an efficient initialization strategy is developed, followed by an online calibration procedure for continuous refinement. The proposed system is evaluated on several public benchmark datasets and self-collected real-world datasets covering diverse operating scenarios. Experimental results demonstrate that the proposed method consistently outperforms representative LIO methods in terms of both localization accuracy and computational efficiency.
- Abstract（参考訳）: LiDAR-inertial odometry (LIO) は、地上の自律移動ロボットにおける状態推定に広く用いられている。
しかし、地表面の幾何的制約は、既存のLIOシステムでは未発見である。
本稿では, 局所平面形状を状態推定プロセスに明示的に組み込んで, 局所化精度と計算効率を両立させる, フィルタに基づく局所接地型LEOフレームワークを提案する。
具体的には、局所接地面をロボットの向きとB-Gの高さでパラメータ化し、状態推定プロセス内で連続的に伝播する。
提案したB-G幾何モデルに基づき, 伝搬型局所接地平面により, 効率的かつ信頼性の高い接地分割が可能となる。
分割された接地点は、点-面間の幾何学的制約によってフィルタ更新に組み込まれ、状態推定精度と効率が向上する。
さらに, プロパゲートされた地表面を付加的な幾何学的制約として利用し, 垂直ドリフトを効果的に抑制し, 推定ロバスト性を向上させるために, 平面運動を更新する。
当初未知のB-G高さに対処するため、効率的な初期化戦略が開発され、続いてオンライン校正手順が開発されている。
提案システムは、様々な運用シナリオをカバーする複数の公開ベンチマークデータセットと自己コンパイルされた実世界のデータセットで評価される。
実験結果から,提案手法は局所化精度と計算効率の両面から,代表的IO法よりも一貫して優れていた。
関連論文リスト
- FreeLoc: Online Floorplan Localization via Diffusion-Aided Pose Refinement [70.51384196127081]
FreeLocは、フロアプランをクエリ可能な幾何学的マップとして扱うオンラインフレームワークである。
実験では、単一フレームとシーケンシャルローカライゼーションの両方でリアルタイムなオンライン推論と最先端のパフォーマンスを示す。
論文 参考訳（メタデータ） (2026-10-04T07:09:33Z) - Pixel-wise Planarity for High-Precision Monocular Plane Segmentation [56.92684417018378]
単一のRGB画像からの平面分割は、不正確な領域のグルーピングと幾何学的に矛盾した監督のため、依然として困難である。
本研究では,ロバストな単分子平面分割のための画素単位の平面性予測フレームワークを提案する。
提案手法は,従来の最先端手法と比較して,幾何精度とセグメンテーション品質の向上を実現する。
論文 参考訳（メタデータ） (2026-09-04T10:51:33Z) - Environment-Adaptive Solid-State LiDAR-Inertial Odometry [4.423149595363559]
固体LiDAR慣性SLAMは、速度とロバスト性に利点があるため、大きな注目を集めている。
極端な環境で正確なマッピングを実現することは、厳密な幾何学的縮退と信頼性の低い観測のため、依然として困難である。
本稿では,環境適応型ソリッドステートLiDAR慣性オドメトリーを提案する。
論文 参考訳（メタデータ） (2026-04-17T09:13:52Z) - Spatially Grounded Long-Horizon Task Planning in the Wild [49.614308474374035]
GroundedPlanBenchは、空間的に接地された長距離行動計画のための新しいベンチマークである。
Video-to-Spatially Grounded Planning (V2GP)は、現実のロボットビデオのデモを活用して、空間的地平面の長期計画を改善する自動データ生成フレームワークである。
論文 参考訳（メタデータ） (2026-03-13T05:42:18Z) - Differential Barometric Altimetry for Submeter Vertical Localization and Floor Recognition Indoors [4.648066086077229]
完全にROS準拠のソフトウェアパッケージに統合された微分バロメトリセンシングを活用する,堅牢で低コストな垂直推定フレームワークを提案する。
本システムでは,静止基地局と移動センサの両方からのリアルタイム高度データを同時に公開し,高精度かつドリフトフリーな垂直位置推定を実現する。
論文 参考訳（メタデータ） (2026-01-05T15:03:55Z) - Real-time Spatial-temporal Traversability Assessment via Feature-based Sparse Gaussian Process [15.756895046886406]
本研究では,自律型ロボットが複雑な地形を移動できるようにすることを目的とした,空間的時間的トラバーサビリティ評価手法を提案する。
我々の手法は精度と計算効率の両面でSOTAよりも優れている。
本研究では,移動可能性マップと統合された自律ナビゲーションフレームワークを開発し,複雑な屋外環境下での微分駆動車による検証を行う。
論文 参考訳（メタデータ） (2025-03-06T06:26:57Z) - 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) - Neural Gradient Learning and Optimization for Oriented Point Normal
Estimation [53.611206368815125]
本研究では,3次元点雲から勾配ベクトルを一貫した向きで学習し,正規推定を行うためのディープラーニング手法を提案する。
局所平面幾何に基づいて角距離場を学習し、粗勾配ベクトルを洗練する。
本手法は,局所特徴記述の精度と能力の一般化を図りながら,グローバル勾配近似を効率的に行う。
論文 参考訳（メタデータ） (2023-09-17T08:35:11Z) - Fast and Robust Ground Surface Estimation from LIDAR Measurements using
Uniform B-Splines [3.337790639927531]
自動走行車におけるLIDAR測定から地上面を高速かつ頑健に推定する手法を提案する。
本稿では,線形問題として再計算可能なLS最適化問題として推定過程をモデル化する。
実世界のシナリオにおける研究車両のアプローチを検証する。
論文 参考訳（メタデータ） (2022-03-02T15:26:51Z) - Surface Warping Incorporating Machine Learning Assisted Domain
Likelihood Estimation: A New Paradigm in Mine Geology Modelling and
Automation [68.8204255655161]
新たに取得した破砕孔データによって課される地球化学的および空間的制約に基づいて, モデル表面を再構成するバイーシアンワープ法が提案されている。
本稿では,このワーピングフレームワークに機械学習を組み込むことにより,可能性の一般化を図る。
その基礎は、p(g|c) が p(y(c)|g と似た役割を果たすような地質領域の確率のベイズ計算によって構成される。
論文 参考訳（メタデータ） (2021-02-15T10:37:52Z)
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。