論文の概要: When LiDAR Fades, Radar Takes Over: LiDAR Reliability-Aware Adaptive Localization Under Airborne Obscurants

• arxiv url: http://arxiv.org/abs/2610.13788v1
• Date: Fri, 09 Oct 2026 16:04:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.665168
• Title: When LiDAR Fades, Radar Takes Over: LiDAR Reliability-Aware Adaptive Localization Under Airborne Obscurants
• Title（参考訳）: LiDARが死んだとき、レーダーが引き継いだ:LiDARの信頼性に配慮した航空機の障害物下でのアダプティブ・ローカライゼーション
• Abstract要約: LiDARの信頼性は、煙、ほこり、その他の航空機の障害物に影響される地下環境において著しく低下する可能性がある。 本稿では,LiDAR劣化検出と信頼性を考慮した局所化のための一級時間学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 5.897281612951907
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: LiDAR-inertial odometry (LIO) is widely used for real-time localization and mapping, but its reliability can degrade substantially in subterranean environments affected by smoke, dust, and other airborne obscurants, whereas radar remains comparatively robust. This article presents a one-class temporal learning framework for LiDAR degradation detection and reliability-aware localization under such conditions. A broad set of degradation-sensitive cues, including spatial, cross-modal, geometric/motion, intensity, and measurement-recency features, is evaluated to characterize changes in LiDAR sensing quality. Their temporal evolution is modelled over sliding windows using an LSTM autoencoder trained exclusively on nominal operation, enabling deviations from healthy sensor behaviour to be detected without requiring labelled degradation data. The resulting LiDAR reliability estimate governs adaptive selection between LIO and radar inertial odometry (RIO), retaining LIO during reliable sensing and transferring localization authority to RIO when degradation is detected. The framework is evaluated using real-world ground robot data collected in GNSS-denied subterranean tunnels under nominal and dense-smoke conditions. Experimental results demonstrate degradation detection, adaptive modality switching, and continued localization output under severe LiDAR degradation. A feature family ablation study further shows that a reduced feature representation can improve degradation-aware localization performance in the evaluated dense-smoke scenarios, highlighting the importance of feature parsimony in one-class sensor degradation detection. The code will be released as open source to support reproducibility and further research.
• Abstract（参考訳）: LIO(LiDAR-inertial odometry)は、リアルタイムの局地化とマッピングに広く用いられているが、その信頼性は、煙、塵、その他の航空機の観測物に影響される地下環境において著しく低下するが、レーダーは比較的頑丈である。 本稿では,この条件下でのLiDAR劣化検出と信頼性を考慮した局所化のための一級時間学習フレームワークを提案する。 空間, クロスモーダル, 幾何/運動, 強度, 測定周波数特性など, 広義の劣化感度評価手法を用いて, LiDARセンシング品質の変化を特徴づける。 彼らの時間的進化は、名目操作のみに訓練されたLSTMオートエンコーダを使用してスライドウインドウ上でモデル化され、ラベル付き劣化データを必要とせずに、正常なセンサ動作から逸脱を検出することができる。 得られたLiDAR信頼性推定は、RIOとレーダ慣性オドメトリー(RIO)の適応的な選択を制御し、信頼性の高いセンシング中にRIOを保持し、劣化が検出されたときにローカライゼーション権限をRIOに転送する。 この枠組みは, GNSS による地下トンネルで収集された実世界の地上ロボットデータを用いて, 名目および密集煙条件下で評価した。 実験の結果, 重度LiDAR劣化下での劣化検出, 適応モード切替, 局所化出力が得られた。 特徴系列のアブレーション研究により,高密度スモークシナリオにおいて,特徴表現の低減により劣化認識の局所化性能が向上し,一級センサ劣化検出における特徴パーシモニーの重要性が強調された。 再現性とさらなる研究をサポートするために、コードはオープンソースとしてリリースされる予定だ。

関連論文リスト

• TTSD-FAR: Test-Time Self-Distillation with Fisher-Anchored Restoration for Missing-Modality Emotion Recognition in LVLMs [83.78708832901194]
  大規模ビデオ言語モデル(LVLM)は、野生のマルチモーダル感情認識(ER)のようなマルチモーダルタスクにおいて顕著なパフォーマンスを示している。 しかし、現実のデプロイメントは依然として困難であり、テスト時にモダリティが欠落したりうる。 凍結した教師が自己蒸留により適応的な低学級の生徒を指導する手法を提案する。 MELD, DFEW, BAHを0%-50%のモダリティで実験した結果, この統一型適応復元設計はエントロピーベースの適応, RAG, およびパープレキシティベースの生成より一貫して優れていた。
  論文  参考訳（メタデータ） (2026-08-18T23:40:28Z)
• WinTA-GIL: Windowed Trajectory Alignment for GNSS-IMU-LiDAR Heading Refinement in Intermittent Signal Environments [5.192383265052114]
  本稿では,ナビゲーションシステムのための新たな指向性改善フレームワークであるWinTA-GILを提案する。 GNSS、IMU、LiDARからの情報を時間的ウィンドウベースの最適化戦略を通じて統合する。 オープンソースのデータセットと自己コンパイルデータセットの両方の実験では、WinTA-GILは推定精度と堅牢性の両方において最先端のアプローチを著しく上回っている。
  論文  参考訳（メタデータ） (2026-07-06T09:59:33Z)
• No Adaptation Without Observation: Observability-Constrained Test-Time Prompt Tuning for LiDAR Semantic Segmentation [12.572951926839309]
  テスト時間適応更新モデルパラメータを擬似ラベル監視を用いてオンライン化する。 グローバルな共有パラメータの均一な更新は不安定な勾配を注入し、適応を不安定にする。 本稿では,LiDARセマンティックセグメンテーションのための幾何制約付きテスト時間プロンプトチューニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-29T21:40:10Z)
• FAST-LIVGO: A Degeneracy-Robust LiDAR-Inertial-Visual-GNSS Fusion Odometry [14.641801914375163]
  ロボット工学において、長期、大規模、高度にダイナミックな環境における状態推定とマッピングが重要な課題である。 既存のLiDAR-In-ertial-Visual Odometry (LIVO) システムは、強い局所精度を実現するが、長距離で蓄積したドリフトに悩まされる。 本稿では,これらの制約に対処するために,エラー状態反復カルマンフィルタに基づくLiDAR支援融合フレームワークを提案する。 我々のシステムは、蓄積したドリフトとマップゴーストを低減し、精度とロバスト性において最先端の手法より優れる。
  論文  参考訳（メタデータ） (2026-06-17T15:33:11Z)
• Clipping Bottleneck: Stabilizing RLVR via Stochastic Recovery of Near-Boundary Signals [83.0127582612634]
  Near-boundary Rescue (NSR) は最小限のプラグ・アンド・プレイの修正であり、失った信号を回復するために、アウト・オブ・バウンドトークンを保持する。 NSRはトレーニングの安定性を大幅に改善し、DAPOやGSPOといった強力なベースライン上で一貫したゲインを提供する。
  論文  参考訳（メタデータ） (2026-05-21T16:45:31Z)
• GRAD: Real-Time Gated Recurrent Anomaly Detection in Autonomous Vehicle Sensors Using Reinforced EMA and Multi-Stage Sliding Window Techniques [0.0]
  本稿では,自動運転車センサのリアルタイム異常検出手法であるGRADを紹介する。 提案手法は,スムーズな要因に適応するReinforced Exponential moving Average (REMA) と,短期パターンと長期パターンの両方をキャプチャするMulti-Stage Sliding Window (MS-SW) 技術を組み合わせたものである。 GRADはGRUの2つの層からなる軽量なアーキテクチャで、ニューロンの数が限られており、リアルタイムアプリケーションに適している。
  論文  参考訳（メタデータ） (2025-10-27T13:44:15Z)
• LiDAR-GS:Real-time LiDAR Re-Simulation using Gaussian Splatting [53.58528891081709]
  都市景観におけるLiDARスキャンをリアルタイムかつ高忠実に再現するLiDAR-GSを提案する。 この手法は,公開可能な大規模シーンデータセットのレンダリングフレームレートと品質の両面において,最先端の結果を達成する。
  論文  参考訳（メタデータ） (2024-10-07T15:07:56Z)
• Efficient Real-time Smoke Filtration with 3D LiDAR for Search and Rescue with Autonomous Heterogeneous Robotic Systems [56.838297900091426]
  スモークとダストは、搭載された知覚システムに依存するため、あらゆる移動ロボットプラットフォームの性能に影響を与える。 本稿では,重みと空間情報に基づく新しいモジュラー計算フィルタを提案する。
  論文  参考訳（メタデータ） (2023-08-14T16:48:57Z)
• Cycle and Semantic Consistent Adversarial Domain Adaptation for Reducing Simulation-to-Real Domain Shift in LiDAR Bird's Eye View [110.83289076967895]
  ドメイン適応プロセス中に関心のある小さなオブジェクトの情報を保存するために,事前の意味分類を用いたサイクガンに基づくbevドメイン適応法を提案する。 生成したBEVの品質は,KITTI 3D Object Detection Benchmarkの最先端3Dオブジェクト検出フレームワークを用いて評価されている。
  論文  参考訳（メタデータ） (2021-04-22T12:47:37Z)

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。