論文の概要: PadLoc: Training-Free Floor-Plan Localization by Sparse Geometric Matching
- arxiv url: http://arxiv.org/abs/2611.05172v1
- Date: Tue, 03 Nov 2026 16:38:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-07 13:55:19.974417
- Title: PadLoc: Training-Free Floor-Plan Localization by Sparse Geometric Matching
- Title（参考訳）: PadLoc: Sparse Geometric Matching によるトレーニングフリーフロア・プランのローカライゼーション
- Abstract要約: PadLocはトレーニング不要のローカライゼーションバックエンドで、移動センサーを既知のフロアプラン内に配置する。
PadLocは交換可能な深さのフロントエンドを保持し、密度の高いグリッドのバックエンドをスパースな幾何マッチングで置き換える。
- 参考スコア（独自算出の注目度）: 6.164863213336097
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose PadLoc, a training-free localization back-end that places a moving sensor within a known floor plan. Floor plans are cheap, persistent, and robust to appearance change, but recent learned-depth methods localize against them by filtering per-frame depth through dense $(x,y,θ)$ pose grids. PadLoc keeps the swappable depth front-end and replaces the dense grid back-end with sparse geometric matching: dominant wall orientations define a small pose-candidate set, masked normalized cross-correlation scores observed free space against the plan, and a moving-pose Gaussian-mixture Bayes filter plus consensus readout decodes the trajectory. Holding each competitor's depth fixed, PadLoc matches or beats UnLoc's forward filter and the F3Loc filter at every Gibson trajectory length, and UnLoc's offline refinement from $T=35$ on; it exceeds Z-FLoc's published results with a shared MapAnything front-end. On Bonn LiLocBench, PadLoc improves pooled SR@1m over UnLoc by 23-32 pp under wheel odometry and 35-43 pp with ground-truth motion; with full-FOV LiDAR plus wheel odometry the same readout reaches 100% SR@1m at 9-10 cm median error on the static sequence. On the Hilti-Trimble Localization Challenge PadLoc localizes a camera-only fisheye rig on construction floors hundreds of metres across at 0.90-0.98 online SR@2m on three of five sessions; adding learned wall isolation, applied to every session, covers all five at 0.67-0.92 with the localizer unchanged throughout. PadLoc thus matches or outperforms dense grid back-ends while preserving sensor modularity and a compact state that does not grow with trajectory length.
- Abstract（参考訳）: 本研究では,移動センサを既知のフロアプラン内に配置する学習自由なローカライゼーションバックエンドPadLocを提案する。
フロアプランは安価で永続的で、外観の変化に対して堅牢であるが、最近の学習深度法では、フレームごとの深さを密度の高い$(x,y,θ)$のポーズグリッドでフィルタリングすることで、それらに対してローカライズしている。
主壁配向は、小さなポーズ候補集合を定義し、マスクされた正規化された相互相関スコアは、計画に対して自由空間を観測し、移動目的のガウス-混合ベイズフィルタとコンセンサス・リードアウトは、軌道をデコードする。
それぞれの競合の深さを固定すると、PadLocはUnLocの前方フィルタとF3Locフィルタをギブソン軌道長ごとにマッチさせるか打ち負かす。
Bonn LiLocBenchでは、PadLocはUnLoc上で23-32 pp でプールされた SR@1m を改良し、地上運動で 35-43 pp で、フルFOV LiDAR とホイール・オドメトリーで、同じ読み出しは静的シーケンスで 9-10 cm で100% SR@1m に達する。
Hilti-Trimble Localization Challenge PadLocは5つのセッションのうち3つのセッションで0.90-0.98オンラインSR@2mで、数百mのフロアにカメラのみの魚眼リグをローカライズする。
これによりPadLocは、センサのモジュラリティと軌道長で成長しないコンパクトな状態を維持しながら、高密度グリッドのバックエンドにマッチまたは性能を向上する。
関連論文リスト
- FreeLoc: Online Floorplan Localization via Diffusion-Aided Pose Refinement [70.51384196127081]
FreeLocは、フロアプランをクエリ可能な幾何学的マップとして扱うオンラインフレームワークである。
実験では、単一フレームとシーケンシャルローカライゼーションの両方でリアルタイムなオンライン推論と最先端のパフォーマンスを示す。
論文 参考訳（メタデータ） (2026-10-04T07:09:33Z) - SILSA: Sliding-Window Slice Latents for Topology-Preserving High-Resolution 3D Generation [11.41748585486247]
SILSAはコンパクトなスライディングウインドウ・スライス・ラテントを持つ形状を表す。
Slice VAEは、配向表面サンプルを多軸スライス潜水剤に符号化する。
Volumetric Anchor Latticeは、共有された3Dワークスペースを介して方向スライスストリームをコーディネートする。
論文 参考訳（メタデータ） (2026-10-01T17:59:46Z) - SlugTrails: An Egocentric Benchmark for Floor Plan Localization in Large Buildings [7.609845866599627]
フロアプランに基づく屋内視覚的位置決めはインフラレスの位置決めを可能にするが、ほとんどの手法は小さな住宅環境で開発・評価されている。
SlugTrailsは大規模な屋内空間をリアルなエゴセントリックな感覚下でのフロアプラン定位ベンチマークである。
論文 参考訳（メタデータ） (2026-09-17T08:27:06Z) - GALoc: Gravity Aligned Wireframes for Depth-Free Monocular Floorplan Localization [4.973931399024489]
粗いシーンにおける深度予測を重力脆性に置き換えるフレームワークであるGALocarityを提案する。
単分子的、相対的なポーズとIMU向きが与えられたとき、ガロックは垂直性を符号化する線形制約行列を構成する。
論文 参考訳（メタデータ） (2026-09-08T07:56:14Z) - RayTun3R: Online Camera Adaptation in 3D Foundation Models [53.97305597591864]
最近の3Dファウンデーションモデルは、強力なフィードフォワード深度を提供し、ピンホールのイメージを推定するが、魚眼カメラ幾何学の下では鋭く劣化する。
この失敗は、事前訓練された3次元基礎モデルの位置符号化におけるピンホールカメラバイアスによってもたらされることを示す。
軽量カメラ適応手法であるRayTun3Rを提案する。
論文 参考訳（メタデータ） (2026-07-02T18:55:35Z) - Surflo: Consistent 3D Surface Flow Model with Global State [57.57234680235885]
Surfloは、方向付けられた3次元表面点を、ノイズからフローマッチングを通じて独立して表面へ輸送することでデコードする。
独立なポイント単位の復号化に固有の局所的不整合を抑制するために、光度勾配を注入することにより、推定時間誘導項が近傍の点と相関する。
Surfloは、サーフェスメトリクスのフィードフォワードベースラインにマッチし、数百のビューを必要とする最適化ベースのメソッドよりも桁違いに高速に動作し、グローバルなラテントと任意の解像度のデコーディングを組み合わせた唯一のフィードフォワードアプローチである。
論文 参考訳（メタデータ） (2026-06-11T17:48:38Z) - Scaling Parallel Sequence Models to Foundation-Scale Vision Encoders [123.58723804218151]
ビジョンファウンデーションモデルは、自己注意の二次的なコストによってボトルネックとなる。
2次元空間伝搬伝搬に基づくC-GSPNを提案する。
論文 参考訳（メタデータ） (2026-05-30T14:29:43Z) - Enhancing Graph-Based SLAM in GNSS-Denied environments by leveraging leg odometry [2.953334250276907]
脚のドメトリーにより駆動される平行キネマティックレーンでLIO-SAMフレームワークを増強する因子グラフアーキテクチャを提案する。
提案手法は,30m以上から30cm未満までの上昇ドリフトを低減し,ベースラインパイプラインが完全に故障する場面での収束を可能にする。
論文 参考訳（メタデータ） (2026-05-19T20:48:35Z) - StraightPCF: Straight Point Cloud Filtering [50.66412286723848]
ポイントクラウドフィルタリングは、基礎となるクリーンな表面を回復しながらノイズを取り除くことを目的とした、基本的な3Dビジョンタスクである。
我々は、ポイントクラウドフィルタリングのための新しいディープラーニングベースの方法であるStraightPCFを紹介する。
ノイズの多い点を直線に沿って移動させることで、離散化誤差を低減し、クリーン表面への高速な収束を保証する。
論文 参考訳（メタデータ） (2024-05-14T05:41:59Z) - MULLS: Versatile LiDAR SLAM via Multi-metric Linear Least Square [4.449835214520727]
MULLSは効率的で低ドリフトで多用途な3D LiDAR SLAMシステムである。
フロントエンドでは, 2次元地上フィルタと主成分分析を用いて, 各フレームから大まかに分類された特徴点を抽出する。
バックエンドでは、定期的に記憶されている履歴サブマップ間で階層的なポーズグラフ最適化を行い、デッドレコメンデーションによるドリフトを低減する。
KITTIベンチマークでは、MULLSはリアルタイムパフォーマンスでLiDARのみのSLAMシステムにランクインしている。
論文 参考訳（メタデータ） (2021-02-07T10:42:42Z)
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。