論文の概要: LIN-SLAM: Lightweight LiDAR--Inertial Neural SLAM for Real-Time Onboard Navigation

• arxiv url: http://arxiv.org/abs/2610.21199v1
• Date: Thu, 15 Oct 2026 03:58:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 19:13:16.168332
• Title: LIN-SLAM: Lightweight LiDAR--Inertial Neural SLAM for Real-Time Onboard Navigation
• Title（参考訳）: LIN-SLAM:軽量LiDAR--実時間オンボードナビゲーションのための慣性ニューラルネットワークSLAM
• Abstract要約: 軽量LiDAR-Inertial Neural SLAM (LIN-SLAM) は、高速な幾何学的LiDAR-Inertial Estimationとニューラル暗黙的追跡、連続マッピング、そして正確なリアルタイムSLAMのためのグローバルリファインメントを結合するハイブリッド手法である。 NVIDIA Jetson Orin NXと16チャネルのLiDARを備えたUnitree Go2では、LIN-SLAMは、1.47kmの屋内軌道上のリアルタイムなローカライゼーションとニューラルマッピングを、繰り返し回廊環境に挑戦して維持する。
• 参考スコア（独自算出の注目度）: 7.080257372188432
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Geometric light detection and ranging (LiDAR)--inertial simultaneous localization and mapping (SLAM) provides efficient state estimation but lacks the continuous map representation and global refinement capabilities of neural implicit SLAM, while neural implicit methods remain computationally expensive. We propose Lightweight LiDAR--Inertial Neural SLAM (LIN-SLAM), a hybrid method that couples high-rate geometric LiDAR--inertial estimation with neural implicit tracking, continual mapping, and global refinement for accurate real-time onboard SLAM. Experiments on twelve representative sequences from three datasets spanning 32-, 64-, and 128-channel LiDAR configurations show that LIN-SLAM achieves the lowest overall mean absolute trajectory error (ATE) among the evaluated state-of-the-art geometric and neural implicit methods, while substantially reducing runtime compared with existing neural implicit SLAM methods. On a Unitree Go2 equipped with an NVIDIA Jetson Orin NX and a 16-channel LiDAR, LIN-SLAM sustains real-time localization and neural mapping over a 1.47-km indoor trajectory through challenging repetitive corridor environments, with an endpoint closure error of only 0.141~m. To the best of our knowledge, LIN-SLAM is the first LiDAR--inertial SLAM system with a neural implicit backend to achieve real-time online operation on a mobile robotic platform while maintaining state-of-the-art localization accuracy. The code will be released upon acceptance.
• Abstract（参考訳）: 本稿では,LIN-SLAM(Lightweight LiDAR-Inertial Neural SLAM)を提案する。LIN-SLAM(Lightweight LiDAR-Inertial Neural SLAM)は,高レートな幾何学的LiDAR-慣性推定と,ニューラルな暗黙的追跡,連続的なマッピング,および高精度なリアルタイムSLAMのグローバルリファインメントを併用したハイブリッド手法である。 32チャンネル、64チャンネル、および128チャンネルのLiDAR構成からなる3つのデータセットから12の代表的なシーケンスを実験したところ、LIN-SLAMは、既存の暗黙的SLAM法と比較して、評価済みの幾何学的および神経暗黙的手法の中で、最も低い総合的な平均絶対軌道誤差(ATE)を達成することが示された。 NVIDIA Jetson Orin NXと16チャネルのLiDARを備えたUnitree Go2では、LIN-SLAMは1.47kmの屋内軌道上のリアルタイムなローカライゼーションとニューラルマッピングを、繰り返し回廊環境への挑戦を通じて維持する。 我々の知る限り、LIN-SLAMは、最先端のローカライゼーション精度を維持しつつ、モバイルロボットプラットフォーム上でリアルタイムなオンライン操作を実現するために、ニューラルな暗黙のバックエンドを備えた最初のLiDAR-慣性SLAMシステムである。 コードは受理時にリリースされます。

関連論文リスト

• MCN-SLAM: Multi-Agent Collaborative Neural SLAM with Hybrid Implicit Neural Scene Representation [51.07118703442774]
  既存のNeRFベースのマルチエージェントSLAMフレームワークは通信帯域幅の制約を満たすことができない。 本稿では,ハイブリッドシーン表現を用いた分散マルチエージェント協調型ニューラルSLAMフレームワークを提案する。 シーン再構成を改善するために, 新規な三面体グリッド共同シーン表現法を提案する。 局所的(単一エージェント)と大域的(複数エージェント)の整合性を実現するために,新しいイントラ・トゥ・インターループ・クロージャ法が設計された。
  論文  参考訳（メタデータ） (2025-06-23T14:22:29Z)
• SLAIM: Robust Dense Neural SLAM for Online Tracking and Mapping [15.63276368052395]
  ニューラルラジアンスフィールドSLAM(NeRF-SLAM)に適した,新しい粗い粒度追跡モデルを提案する。 既存の NeRF-SLAM システムは、従来の SLAM アルゴリズムに比べて、追跡性能が劣っている。 局所バンドル調整とグローバルバンドル調整の両方を実装し、ロバストな(粗大な)(KL正規化器)と正確な(KL正規化器)SLAMソリューションを生成する。
  論文  参考訳（メタデータ） (2024-04-17T14:23:28Z)
• PIN-SLAM: LiDAR SLAM Using a Point-Based Implicit Neural Representation for Achieving Global Map Consistency [30.5868776990673]
  PIN-SLAMは、弾性的かつコンパクトな点ベースの暗黙的ニューラルマップ表現に基づいて、一貫した一貫したマップを構築するシステムである。 我々の暗黙の地図は、ループを閉じる際の大域的なポーズ調整とともに、本質的に弾性で変形可能なスパース最適化可能なニューラルポイントに基づいている。 PIN-SLAMは、最先端のLiDARオドメトリーやSLAMシステムと同等のポーズ推定精度を達成する。
  論文  参考訳（メタデータ） (2024-01-17T10:06:12Z)
• DNS SLAM: Dense Neural Semantic-Informed SLAM [92.39687553022605]
  DNS SLAMは、ハイブリッド表現を備えた新しいRGB-DセマンティックSLAMアプローチである。 本手法は画像に基づく特徴抽出と多視点幾何制約を統合し,外観の細部を改良する。 実験により, 合成データと実世界のデータ追跡の両面において, 最先端の性能が得られた。
  論文  参考訳（メタデータ） (2023-11-30T21:34:44Z)
• UncLe-SLAM: Uncertainty Learning for Dense Neural SLAM [60.575435353047304]
  我々は、高密度ニューラルネットワークの同時局所化とマッピング(SLAM)のための不確実性学習フレームワークを提案する。 本稿では,2次元入力データのみから自己教師付きで学習可能なセンサ不確実性推定のためのオンラインフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-19T16:26:25Z)
• LiDAR-NeRF: Novel LiDAR View Synthesis via Neural Radiance Fields [112.62936571539232]
  本稿では,LiDARセンサのための新しいビュー合成手法を提案する。 スタイルトランスファーニューラルネットワークを用いた従来のモデルベースLiDARシミュレータは、新しいビューのレンダリングに応用できる。 ニューラル放射場(NeRF)を用いて幾何学と3D点の属性の連成学習を容易にする。
  論文  参考訳（メタデータ） (2023-04-20T15:44:37Z)
• ESLAM: Efficient Dense SLAM System Based on Hybrid Representation of Signed Distance Fields [2.0625936401496237]
  ESLAMは、未知のカメラポーズでRGB-Dフレームを読み出し、シーン表現を漸進的に再構築する。 ESLAMは3次元再構成の精度を向上し、最先端の高密度視覚SLAM法のカメラローカライゼーションを50%以上向上する。
  論文  参考訳（メタデータ） (2022-11-21T18:25:14Z)

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。