論文の概要: F-LIVO: A Feature-Level Geometric Measurement Framework for LiDAR-Inertial-Visual Odometry
- arxiv url: http://arxiv.org/abs/2610.23595v1
- Date: Fri, 16 Oct 2026 15:14:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-20 00:56:07.983636
- Title: F-LIVO: A Feature-Level Geometric Measurement Framework for LiDAR-Inertial-Visual Odometry
- Title（参考訳）: F-LIVO:LiDAR-Iertial-Visual Odometryのための特徴レベル幾何計測フレームワーク
- Abstract要約: 測定レベルのLiDAR-Inertial-Visual Odometry (LIVO) は精度が高い。
本稿では,ビジュアル慣性サブシステムとLiDAR慣性サブシステムを組み合わせたフィルタベースのLIVOフレームワークであるF-LIVOを提案する。
複数の公開データセットの実験は、競合的、シーケンスに依存した精度を示している。
- 参考スコア（独自算出の注目度）: 18.043915805085632
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Measurement-level LiDAR-Inertial-Visual Odometry (LIVO) can achieve high accuracy, and its practical resource requirements depend on the adopted association and map-maintenance strategy. Persistently attaching dense photometric patches or appearance attributes to mapped LiDAR points can introduce additional storage, association, and update costs. This paper presents F-LIVO, a filter-based LIVO framework that couples a visual-inertial subsystem and a LiDAR-inertial subsystem through feature-level point-to-plane constraints between visual points and LiDAR planes. To preserve cross-modal coupling when visual triangulation is weak, we further recover visual feature depth from the LiDAR map through local plane fitting and ray-plane intersection. In the LiDAR update, the covariance of each point-to-plane residual is adaptively scaled according to local planar reliability, thereby reducing overconfident updates on poorly conditioned surfaces. Because the proposed method relies on sparse geometric features rather than persistent dense photometric map attributes, it retains a compact map representation. Experiments on multiple public datasets show competitive, sequence-dependent accuracy. Across the evaluated degradation cases, F-LIVO maintains continuous estimation with comparatively low accumulated end-to-end drift. Under the evaluated resource configuration, it achieves the lowest mean and peak central processing unit (CPU) usage, the lowest peak resident set size (RSS), and the lowest RSS growth rate among the evaluated implementations, while R2LIVE retains a lower mean RSS. The source code will be made publicly available upon acceptance to facilitate reproducible research.
- Abstract（参考訳）: 測定レベルのLiDAR-Inertial-Visual Odometry (LIVO) は高精度に実現でき、実際のリソース要件は適用されたアソシエーションとマップ保守戦略に依存する。
密集した光度パッチや外観属性をマップされたLiDARポイントに永続的にアタッチすることで、追加のストレージ、アソシエーション、更新コストを導入することができる。
本稿では,F-LIVOについて述べる。F-LIVO,F-LIVO,F-LIVO,F-LIVO,F-LIVO,F-LIVO,F-LIVO,F-LIVO,F-LIVO,F-LIVO。
視覚三角測量が弱いときのクロスモーダルカップリングを維持するため,局所面の嵌合とレイプレーンの交差により,LiDARマップから視特徴深度を復元する。
LiDARの更新では、各点-面残差の共分散は、局所的な平面の信頼性に応じて適応的にスケールされるため、低条件表面での過度な更新を減らすことができる。
提案手法は, 密度密度の強い地図属性ではなく, 粗い幾何学的特徴に依存するため, コンパクトな地図表現を保っている。
複数の公開データセットの実験は、競合的、シーケンスに依存した精度を示している。
評価された劣化事例全体で、F-LIVOは比較的低蓄積エンド・ツー・エンドドリフトで連続的な評価を維持している。
評価されたリソース構成の下では、最低平均およびピーク中央処理単位(CPU)使用量、最低ピーク常駐セットサイズ(RSS)および最低RSS成長率を達成する一方、R2LIVEは低い平均RSSを保持する。
ソースコードは、再現可能な研究を促進するために、受諾時に公開されます。
関連論文リスト
- MIRAGE: Metric Inference and Reliability-Aware Gaussian Estimation from Feed-Forward Vision [93.94532245173828]
フィードフォワードの3Dプリエントは信頼性の高いメートル法を欠き、長期の軌道漂流に悩まされることが多い。
対照的に、LiDAR-慣性推定はメートル法的に正確な動きを提供するが、高忠実度再構成に必要な画像空間の整合性は欠いている。
We propose $MIRAGE$, which is anchors feed-forward visual geometry to LiDAR-IMU metric motion and regulations online pose corrects。
論文 参考訳（メタデータ） (2026-10-08T18:00:56Z) - From LiDAR Maps to Visual Localization: Unified Visual Association for Robust Point-Line-Plane Pose Estimation [15.727459837586936]
以前のLiDARマップにおけるカメラのローカライゼーションは、長期ロボットナビゲーションに永続的な幾何学的参照を提供する。
我々は,専用画像-LiDAR対応モデルに頼るのではなく,LiDARマップを視覚的に対応できる統一的なローカライゼーションフレームワークを提案する。
論文 参考訳（メタデータ） (2026-09-23T05:05:05Z) - LightLoc++: Sensor-Robust Representation Learning for Efficient Outdoor LiDAR Localization [50.7242785475893]
シーン座標回帰(SCR)は、屋外のLiDARローカライゼーションにおいて高いパフォーマンスを達成するが、通常は数日を要するシーン固有のトレーニングを必要とする。
最近の研究は、SCRをシーンに依存しないバックボーンとシーン固有の予測ヘッドに分離することで、トレーニング効率を向上させる。
センサロバストで効率的な屋外LiDARローカライゼーションフレームワークであるLightLoc++を提案する。
論文 参考訳（メタデータ） (2026-08-15T16:50:34Z) - SA-LIVO: Efficient LiDAR-Inertial-Visual Odometry with Subspace-Aware Degeneracy Handling [23.881618454598122]
LiDAR-visual-inertial odometry (LIVO)は、精密な幾何学的深さと相補的な視覚的計測を融合する。
既存の対策は、モダリティレベルで動作し、関節情報行列の方向依存構造を未調整のまま残す。
方向選択的融合と情報効率の高い処理によってこれらの制約に対処するLiDAR-Iertial-visual odometryシステムであるSA-LIVOを提案する。
論文 参考訳（メタデータ） (2026-06-24T11:13:58Z) - PA-LVIO: Real-Time LiDAR-Visual-Inertial Odometry and Mapping with Pose-Only Bundle Adjustment [13.45058905888382]
リアルタイムLiDAR-visual-inertial odometry and mappingはインテリジェント交通システムにおけるナビゲーションおよび計画作業に不可欠である。
本研究では,リアルタイムナビゲーションとマッピングの緊急ニーズを満たすために,ポーズ専用バンドル調整 (PA) LiDAR-visual-inertial odometry (LVIO) を提案する。
論文 参考訳（メタデータ） (2026-03-17T08:07:52Z) - Graph-Loc: Robust Graph-Based LiDAR Pose Tracking with Compact Structural Map Priors under Low Observability and Occlusion [17.402591767257775]
Graph-Locはグラフベースのローカライゼーションフレームワークで、コンパクトな構造マップの先行に対するプラットフォームポーズを追跡する。
パブリックベンチマーク、コントロールされたストレステスト、実世界のデプロイに関する実験では、KBレベルの事前処理による正確で安定したトラッキングが示されている。
論文 参考訳（メタデータ） (2026-02-09T09:19:47Z) - SVRecon: Sparse Voxel Rasterization for Surface Reconstruction [60.92372415355283]
我々は最近提案されたスパースボキセル化パラダイムをSVReconの統合により高忠実度表面再構成の課題に拡張する。
本手法は, 常に高速な収束を保ちながら, 強い復元精度を実現する。
論文 参考訳（メタデータ） (2025-11-21T16:32:01Z) - Generative MIMO Beam Map Construction for Location Recovery and Beam Tracking [67.65578956523403]
本稿では,スパースチャネル状態情報(CSI)から位置ラベルを直接復元する生成フレームワークを提案する。
生のCSIを直接格納する代わりに、小型の低次元無線地図の埋め込みを学び、生成モデルを利用して高次元CSIを再構築する。
数値実験により,NLOSシナリオにおける局所化精度が30%以上向上し,20%のキャパシティゲインが得られることが示された。
論文 参考訳（メタデータ） (2025-11-21T07:25:49Z) - DSLO: Deep Sequence LiDAR Odometry Based on Inconsistent Spatio-temporal Propagation [66.8732965660931]
本稿では,LiDAR odometry DSLO の非一貫性時間伝搬に基づく3次元点列学習モデルを提案する。
ピラミッド構造で、シーケンシャルなポーズモジュール、階層的なポーズリファインメントモジュール、時間的特徴伝搬モジュールで構成されている。
論文 参考訳（メタデータ） (2024-09-01T15:12:48Z)
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。