論文の概要: Resilient Decentralized Radar-LiDAR-Inertial Odometry in Challenging Subterranean Environments
- arxiv url: http://arxiv.org/abs/2610.35363v1
- Date: Fri, 23 Oct 2026 15:58:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 22:27:13.932632
- Title: Resilient Decentralized Radar-LiDAR-Inertial Odometry in Challenging Subterranean Environments
- Title（参考訳）: 地中環境における弾力性分散レーダー-LiDAR-慣性オドメトリー
- Abstract要約: 本稿では、LiDAR、レーダー、慣性センシングの相補的強みを融合した、レジリエンスな分散LiDARレーダ慣性オドメトリー(LRIO)フレームワークを提案する。
フレームワークのコアとなるのは、時間的センサ劣化を自律的に検出するAdaptive Residual Thresholding(ART)メカニズムである。
煙のない実験において,提案したRETOIFフレームワークは従来の集中型LRIO手法の2.9929と比較して,2.1733の根平均平方偏位誤差(RMSE)を達成する。
- 参考スコア（独自算出の注目度）: 17.376856503445826
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate localization in GPS-denied and visually degraded environments affected by smoke, dust, or fog remains a critical challenge for autonomous systems. While LiDAR provides high-resolution spatial perception, its performance deteriorates under particulate occlusion. In contrast, frequency-modulated continuous-wave (FMCW) radar offers robustness under such conditions but suffers from sparse measurements and outliers. This article presents a resilient decentralized LiDAR Radar Inertial Odometry (LRIO) framework that fuses the complementary strengths of LiDAR, radar, and inertial sensing to achieve robust pose estimation in challenging subterranean environments. At the core of the framework is an Adaptive Residual Thresholding (ART) mechanism that autonomously detects temporal sensor degradation and selectively adjusts the fusion process to minimize unreliable measurements. Building on this, a Robust Error-Tolerant Optimal Information Filter (RETOIF) is employed within a decentralized fusion architecture to integrate LiDAR-inertial and multiple radar-inertial odometry estimates in a fault-aware manner, enhancing resilience to environmental disturbances and intermittent sensor failures. The proposed framework is evaluated using real-world sensor data collected in GPS-denied subterranean tunnels under smoke-free and smoke-degraded conditions. In the smoke-free experiment, the proposed RETOIF framework achieves a root mean square localization error (RMSE) of 2.1733, compared with 2.9929 for the conventional centralized LRIO approach, corresponding to a 27.4\% reduction in RMSE. Experimental results further demonstrate the framework's ability to maintain pose estimation under smoke-induced sensor degradation, highlighting its potential for resilient autonomous navigation and mapping in challenging subterranean environments.
- Abstract（参考訳）: 煙、ほこり、霧に影響されたGPSで測定された、視覚的に劣化した環境での正確な位置決めは、自律システムにとって重要な課題である。
LiDARは高分解能な空間知覚を提供するが、その性能は粒子閉塞下で劣化する。
対照的に、周波数変調連続波レーダ(FMCW)は、そのような条件下では堅牢性を提供するが、疎度測定や外れ値に悩まされる。
本稿では,LDAR,レーダー,慣性センシングの相補的強度を融合させて,挑戦的な地下環境下でのロバストなポーズ推定を実現する,レジリエントな分散LiDARレーダ慣性オドメトリー(LRIO)フレームワークを提案する。
フレームワークの中核には、時間的センサ劣化を自律的に検出し、信頼できない測定を最小化するために融合プロセスを選択的に調整するAdaptive Residual Thresholding (ART)メカニズムがある。
これに基づいて、ロバスト誤差耐性最適情報フィルタ(RETOIF)を分散融合アーキテクチャに導入し、LiDAR慣性および複数レーダ慣性オードメトリーの推定値をフォールト・アウェアで統合し、環境障害や間欠的センサ故障に対するレジリエンスを高める。
提案手法は,GPSを用いた地下トンネルで収集した実世界のセンサデータを用いて,無煙・無煙・無煙条件下で評価した。
無煙実験で提案したRETOIFフレームワークは,従来の集中型LRIO手法の2.9929に対して,2.1733の根平均2乗推定誤差(RMSE)を達成した。
実験結果は、煙によるセンサ劣化下でのポーズ推定を維持できるフレームワークの能力をさらに証明し、その潜在能力と、挑戦的な地下環境における自律的なナビゲーションとマッピングの可能性を強調した。
関連論文リスト
- When LiDAR Fades, Radar Takes Over: LiDAR Reliability-Aware Adaptive Localization Under Airborne Obscurants [5.897281612951907]
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。
論文 参考訳（メタデータ） (2026-10-09T16:04:41Z) - AmbSentry: Mitigating Sensing Eavesdropping in ISAC Systems by Harnessing Ambient IoT Devices [60.083979780396014]
6Gネットワークの重要なパラダイムとして、ISAC(Integrated Sensistance and Communication)が登場している。
本稿では,盗聴者に対する検知情報の漏洩を防止するISACシステムであるAmbSentryを提案する。
論文 参考訳（メタデータ） (2026-08-12T08:42:05Z) - Boosting Robustness for All-Weather Self-Supervised Depth Estimation in Autonomous Driving [46.17295445504376]
逆気象条件は画素対応を歪め、自己教師付き損失関数に埋め込まれた仮定に違反する可能性がある。
レーダは悪天候下で広く採用されているセンサであるが、ポイント・オブ・ビュー(POV)におけるレーダーポイントの疎分布は、自己監督型核融合の課題を提起している。
マルチティーラー蒸留とロバストレーダ融合による全天候データを用いた新しい自己学習パイプラインを提案する。
論文 参考訳（メタデータ） (2026-07-23T17:11:33Z) - LLM-Empowered Multimodal Fusion Framework for Autonomous Driving: Semantic Enhancement and Channel-Adaptive Design [56.76240343283953]
本稿では,大規模言語モデル中心のセマンティック・レイヤ・チャネル・アウェア・インテグレート・パーセプション・フレームワークを提案する。
ローカルな視覚ストリームと、知覚盲点をカバーするために使用される品質の変化した外部レーダーストリームを融合させる。
nuScenesとVIRATの実験は、我々のアプローチを検証する。
論文 参考訳（メタデータ） (2026-07-02T06:44:02Z) - Equivariant Filter for Radar-Inertial Odometry [45.85581416235741]
拡張カルマンフィルタ(EKF)に基づくレーダ慣性オドメトリー(RIO)は、レーダと慣性測定ユニット(IMU)の間の正確な外在的キャリブレーションに依存している。
このレターは、ナビゲーション状態とIMUバイアスを幾何学的に結合するリー群対称性に基づいて、RIOの同変フィルタ(EqF)を提案する。
論文 参考訳（メタデータ） (2026-04-24T21:47:06Z) - Tightly-Coupled Radar-Visual-Inertial Odometry [12.2300314007703]
提案手法は,反復拡張カルマンフィルタ(IEKF)内の画像特徴,レーダドップラー計測,慣性測定ユニット(IMU)計測をリアルタイムに融合する。
本手法は,室内および屋外の両方で実施した飛行実験により評価した。
論文 参考訳（メタデータ） (2026-03-24T10:47:04Z) - How IMU Drift Influences Multi-Radar Inertial Odometry for Ground Robots in Subterranean Terrains [16.196972581962342]
レジリエンスな局所化とマッピングのためのIMUバイアス推定器を組み合わせた2段階MRIOフレームワークを提案する。
コスト効率のよいFMCWレーダーと異なるIMUをまたいで精度を維持し、PixhawkとVectorNavのような高品位のユニットで弾力性を示す。
提案フレームワークは,ロボットの推定翻訳および回転変位を利用して,レーダのみのマッピングを支援する。
論文 参考訳（メタデータ） (2026-02-27T17:15:50Z) - A Lightweight Model-Driven 4D Radar Framework for Pervasive Human Detection in Harsh Conditions [11.183137089778468]
本稿では,組込みエッジハードウェア上でのリアルタイム実行を目的とした,完全モデル駆動4次元レーダ認識フレームワークを提案する。
このフレームワークは、ダスト充填されたトレーラーと実際の地下トンネルで評価され、テストシナリオでは、レーダーベースの検出器は、カメラとLiDARのモダリティが深刻な視認性低下の下で安定した歩行者識別を維持する。
論文 参考訳（メタデータ） (2026-01-19T20:18:51Z) - Real-Time 4D Radar Perception for Robust Human Detection in Harsh Enclosed Environments [10.956927578406388]
本稿では, 密集環境を代表とした散布環境において, 制御された多層塵濃度を生成するための新しい手法を提案する。
また、カメラとLiDARによって強化された新しい4DmmWaveレーダーデータセットを提示し、塵粒子と反射面が検知機能にどのように影響するかを説明した。
論文 参考訳（メタデータ） (2026-01-19T20:01:15Z) - Evaluating ML Robustness in GNSS Interference Classification, Characterization & Localization [42.14439854721613]
ジャミング装置はグローバルナビゲーション衛星システム(GNSS)からの信号を妨害する
本稿では、低周波アンテナから得られたスナップショットからなる広範囲なデータセットを提案する。
本研究の目的は,機械学習モデル(ML)の環境変化に対するレジリエンスを評価することである。
論文 参考訳（メタデータ） (2024-09-23T15:20:33Z) - 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)
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。