論文の概要: GLIO2: A GPU-Parallelized Tightly-Coupled LiDAR-Inertial-GNSS System for Robust and Real-Time Global Localization and Mapping
- arxiv url: http://arxiv.org/abs/2610.12411v1
- Date: Thu, 08 Oct 2026 17:49:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-10 02:36:54.23815
- Title: GLIO2: A GPU-Parallelized Tightly-Coupled LiDAR-Inertial-GNSS System for Robust and Real-Time Global Localization and Mapping
- Title（参考訳）: GLIO2:ロバストでリアルタイムなグローバルローカライズとマッピングのためのGPU並列化軽量結合LiDAR-Inertial-GNSSシステム
- Abstract要約: 既存のフュージョンメソッドは、2つの障害モードを持つスキャンからマップのフロントエンドを共有する。
我々は,スキャン・スキャン・LiDAR,IMU事前積分,生計測を両立させた密結合LiDAR-Inertial-GNSSシステムを提案する。
補完的なオフラインバックエンドは、同じキャッシュされた要素を再利用して全軌道をバッチで洗練し、30分4.51kmのUrbanNav Whampoaシーケンスを約24秒で完了させる。
- 参考スコア（独自算出の注目度）: 15.754665490464623
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Globally consistent, real-time state estimation in large-scale, perceptually degraded environments is essential for autonomous vehicles and aerial robots, and requires fusing LiDAR, inertial, and GNSS measurements. Existing fusion methods, however, share a scan-to-map front-end with two failure modes. First, each scan is aligned to an incrementally built map that drifts under degeneracy, and once the estimate diverges the error is irrecoverable. Second, even without divergence, a registration biased by dynamic objects or wrong correspondences is propagated as a single pose constraint with an over-confident covariance, leaving its correspondences unavailable for GNSS to re-weight or relinearize. We propose GLIO2, a tightly-coupled LiDAR-Inertial-GNSS system whose GPU-parallel front-end jointly optimizes scan-to-multiscan LiDAR, IMU pre-integration, and raw GNSS measurements in a single sliding-window factor graph, sustaining real-time operation on edge hardware. A complementary offline back-end reuses the same cached factors to refine the entire trajectory in batch, completing the 30-min, 4.51-km UrbanNav Whampoa sequence in about 24 s. Across three public benchmarks (UrbanNav, MARS-LVIG, M3DGR) and self-collected UAV and vehicle data, GLIO2 attains the best overall accuracy among evaluated systems. On a 5.66-km bridge traversed at up to 96 km/h, where every competing baseline diverges under LiDAR degeneracy, it maintains 1.6 m horizontal accuracy. On an NVIDIA Jetson Orin NX, the full pipeline runs at about 25 Hz (39.60 ms per scan). The source code and datasets will be released.
- Abstract（参考訳）: 大規模かつ知覚的に劣化した環境でのグローバルに一貫したリアルタイムな状態推定は、自動運転車や航空ロボットにとって不可欠であり、LiDAR、慣性、およびGNSS測定を融合させる必要がある。
しかし、既存の融合方式では、スキャンからマップまでのフロントエンドを2つの障害モードで共有する。
まず、各スキャンは、縮退の下でドリフトするインクリメンタルに構築されたマップにアライメントされ、見積もりが分岐したらエラーは発見できない。
第二に、分散がなくても、動的対象や誤った対応に偏った登録は、自信過剰な共分散を伴う単一のポーズ制約として伝播され、GNSSが再重み付けやリライナライズを行うことができない。
我々は,GPU並列フロントエンドを併用して,スキャン・ツー・マルチスキャンのLiDAR,IMU事前積分,生GNSS計測を単一スライディング・ウィンドウ・ファクターグラフで最適化し,エッジハードウェア上でのリアルタイム操作を継続する,密結合型LiDAR-Inertial-GNSSシステムであるGLIO2を提案する。
補完的なオフラインバックエンドは、同じキャッシュされた要素を再利用して全軌道をバッチで洗練し、30分4.51kmのUrbanNav Whampoaシーケンスを約24秒で完了させる。
3つの公開ベンチマーク(UrbanNav、MARS-LVIG、M3DGR)と自己収集型UAVおよび車両データのうち、GLIO2は評価システムの中で最高の総合的精度を達成している。
5.66kmの橋は96km/hの速度で横断し、LiDARのデジェネリズムの下で全ての基準線が分岐し、1.6mの水平精度を維持している。
NVIDIA Jetson Orin NXでは、全パイプラインは約25Hz (39.60 ms per scan)で動作する。
ソースコードとデータセットがリリースされる。
関連論文リスト
- GroundAnything: Reconciling Parallel Decoding with Precise Visual Grounding at Flash Speed [71.05944634852158]
GroundAnythingはブロックワイズによる正確なローカライゼーションで高速並列デコーディングを再構成する。
30のグラウンドベンチマークで、私たちの自己回帰型であるGroundAnything-VLMは、この技術の新たな全体的な状態を確立します。
エントロピー誘導復号法により、GroundAnythingは、この規模の芸術の先行状態を超越している。
論文 参考訳（メタデータ） (2026-09-30T12:20:51Z) - A Field-Deployable GNSS-based Navigation Stack for Outdoor Mobile Robots [8.951638193034215]
本研究は、単一GNSS-IMUとデュアルアンテナ-GNSSローカライゼーションフロントエンドを交換可能なROS2ナビゲーションスタックを提案する。
2025年と2026年に収集された独立のフィールドランは、800ランのバランスの取れた評価を支持している。
行ハイブリッドモードは、評価されたデータセットにおいて、平均的な実行後平均絶対クロストラックエラー(MAE)をもたらす。
論文 参考訳（メタデータ） (2026-09-24T02:35:08Z) - Solution for UCF UrbanTwin V2X-Real Track: Sim-to-Real Urban LiDAR 3D Object Detection [54.03436243843709]
本報告では,Sim2Real 3D検出のためのマルチソース協調学習とクラス認識融合フレームワークを提案する。
この方法は、デジタルツインスキャン、拡散露光スキャン、密度安定化スキャン、歩行者形態に整列したサンプルを補完的な役割を持つ統合トレーニングプールに整理する。
論文 参考訳（メタデータ） (2026-09-07T15:16:15Z) - GNSS-free quantum gravity-aided navigation and fine-scale marine surveying with a strapdown quantum gravimeter [48.52363836235071]
重力マップマッチングおよび29m表面容器を用いた移動型量子重力計による微細分解能重力探査を行った。
ハイブリッドセンサーは、局所的な測定された重力を衛星由来の異常マップに参照することで、83km海洋軌道上の慣性溶液を補正した。
重力による制約 INS は漂流し、海里の精度で有界位置を計測する。
論文 参考訳（メタデータ） (2026-08-26T09:16:02Z) - Intelligent Truck Matching in Full Truckload Shipments using Ping2Hex approach [0.13854111346209866]
欠落または破損した車両識別子は、従来の整合性アプローチを防ぎ、視認性のない出荷を継続する。
本稿では,確率的ランキング問題としてマッチングを定式化する機械学習システムであるIntelligent Truck Matching (ITM) 2.0を提案する。
ITM 2.0は北米では26ポイント、ヨーロッパでは14ポイントの精度向上を実現し、カバー範囲は倍増した。
論文 参考訳（メタデータ） (2026-05-08T13:40:53Z) - TACO: Trajectory Aligning Cross-view Optimisation [13.162763356411448]
クロスビュー・ジオローカライゼーションは地上画像と衛星タイルとを一致させて絶対的な位置修正を行う。
近年の細粒化CVGL法は, サブタイル式メートル法を推し進めているが, ワンショットローカライザーとしてのみ評価されている。
TACOは密結合型IMU+細粒化CVGLパイプラインであり,起動時に1回の読み取りを消費し,その後,オンボードセンシングのみで動作させる。
論文 参考訳（メタデータ） (2026-05-05T03:04:49Z) - Unsupervised LiDAR-Based Multi-UAV Detection and Tracking Under Extreme Sparsity [2.3646560222366695]
非繰り返し固体LiDARスキャンは、空中UAVを検出するための極めてスパースな測定条件をもたらす。
ラベル付きトレーニングデータを必要とせずに、検出とトラッキングの両方に対処する、教師なしのLiDARのみのパイプラインを導入します。
論文 参考訳（メタデータ） (2026-03-12T06:19:51Z) - MobileGeo: Exploring Hierarchical Knowledge Distillation for Resource-Efficient Cross-view Drone Geo-Localization [47.16612614191333]
クロスビューなジオローカライゼーションにより、航空画像とジオタグ付き衛星データベースとのマッチングによるドローンのローカライゼーションが可能になる。
MobileGeoは、デバイス上の効率的なCVGL用に設計されたモバイルフレンドリーなフレームワークである。
MobileGeoはNVIDIA AGX Orinエッジデバイス上で251.5FPSで動作する。
論文 参考訳（メタデータ） (2025-10-26T08:47:20Z) - DIMM: Decoupled Multi-hierarchy Kalman Filter for 3D Object Tracking [50.038098341549095]
状態推定は、高い操作性を持つ3次元物体追跡において困難である。
本稿では,各方向の異なる動きモデルから推定される推定を効果的に組み合わせる新しいフレームワークであるDIMMを提案する。
DIMMは既存の状態推定手法のトラッキング精度を31.61%99.23%向上させる。
論文 参考訳（メタデータ） (2025-05-18T10:12:41Z) - LiDAR-based Registration against Georeferenced Models for Globally Consistent Allocentric Maps [16.335109366948473]
現代の無人航空機(UAV)は、状況の概要を把握したり、人員を危険にさらすことなくクローズアップを提供するため、捜索救難(SAR)ミッションでは不可能である。
しかし、UAVはオープンスペースでうまく機能するグローバルナビゲーション衛星システム(GNSS)に大きく依存しているが、その精度は建物周辺で劇的に低下している。
対照的に、CityGMLモデルは正確なジオレファレンスポーズを持つ近似的な建物形状を提供する。
論文 参考訳（メタデータ） (2024-12-03T16:25:08Z) - DR-SPAAM: A Spatial-Attention and Auto-regressive Model for Person
Detection in 2D Range Data [81.06749792332641]
本研究では,異なるタイミングで得られたスキャンを組み合わせ,代替戦略を用いた人物検出ネットワークを提案する。
DR-SPAAMは、バックボーンネットワークから中間機能をテンプレートとして保持し、新しいスキャンが利用可能になったときにテンプレートをリカレントに更新する。
DROWデータセットでは,提案手法は既存の最先端技術よりも約4倍高速である。
論文 参考訳（メタデータ） (2020-04-29T11:01:44Z)
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。