論文の概要: FREE-LIVO: Physically Decoupled Yet Tightly Coupled LiDAR-Inertial-Visual Odometry

• arxiv url: http://arxiv.org/abs/2611.07463v1
• Date: Thu, 05 Nov 2026 05:18:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 21:50:50.55342
• Title: FREE-LIVO: Physically Decoupled Yet Tightly Coupled LiDAR-Inertial-Visual Odometry
• Title（参考訳）: FREE-LIVO:物理的に分離されているが、わずかに結合したLiDAR-慣性-ビジュアルオドメトリー
• Abstract要約: LiDAR-Inertial-Visual Odometry (LIVO) は、相補的なLiDAR、カメラ、IMU計測を統合し、堅牢な状態推定を実現する。 本稿では,剛性LiDARカメラリグとLiDARカメラタイム同期を必要としない密結合型オドメトリー法であるFREE-LIVOを提案する。 分離されたロボットに搭載されたLiDARとカメラによる実験では、独立して動くセンサーの軌跡を共同で推定できることが示されている。
• 参考スコア（独自算出の注目度）: 14.803299225931893
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: LiDAR-Inertial-Visual Odometry (LIVO) integrates complementary LiDAR, camera, and IMU measurements to achieve robust state estimation. However, most existing methods assume a fixed relative pose and accurate time synchronization between sensors. Toward modular and heterogeneous robotic systems, this paper presents FREE-LIVO, a tightly coupled odometry method that requires neither a rigid LiDAR-camera rig nor LiDAR-camera time synchronization. The proposed method uses a pretrained image feature matcher to establish correspondences between a camera image and a dense LiDAR intensity image generated from a single LiDAR scan using a generative model. From the resulting 3D point-to-pixel correspondences, we construct reprojection factors that directly constrain LiDAR and camera poses at different acquisition times. These factors are jointly optimized in a single factor graph together with constraints from point cloud registration, visual feature tracking, and the IMU measurements associated with each sensor. On six sequences from the public M3DGR dataset, FREE-LIVO achieves an average absolute trajectory error (ATE) RMSE of 0.45 m without provided LiDAR-camera extrinsic parameters and exhibits minimal accuracy degradation under time synchronization errors of up to 0.5 s. Furthermore, experiments with the LiDAR and camera mounted on separate robots demonstrate that the method can jointly estimate the trajectories of independently moving sensors.
• Abstract（参考訳）: LiDAR-Inertial-Visual Odometry (LIVO) は、相補的なLiDAR、カメラ、IMU計測を統合し、堅牢な状態推定を実現する。 しかし、既存のほとんどの手法は、センサー間の正確な時間同期と固定された相対的なポーズを仮定する。 本稿では, 剛性なLiDARカメラリグとLiDARカメラタイム同期を必要としない密結合型オドメトリー法であるFREE-LIVOを提案する。 提案手法は,カメラ画像と1枚のLiDARスキャンから生成した高密度LiDAR強度画像との対応性を確立するために,事前訓練画像特徴マッチングを用いた。 得られた3Dポイント・ツー・ピクセル対応から、LiDARとカメラのポーズを直接拘束する再投影因子を異なる取得時間で構築する。 これらの因子は、ポイントクラウド登録、視覚的特徴追跡、および各センサに関連するIMU測定の制約とともに、単一の因子グラフで共同最適化される。 一般のM3DGRデータセットから得られた6つのシーケンスにおいて、FREE-LIVOは平均絶対軌道誤差(ATE)RMSEを0.45mとし、LiDARカメラの外部パラメータを指定せずに達成し、最大0.5秒の時間同期誤差の下で最小の精度劣化を示す。 さらに、別個のロボットに搭載されたLiDARとカメラによる実験により、独立して動くセンサーの軌跡を共同で推定できることが示されている。

関連論文リスト

• Differential 6-DOF Pose Estimation with Provable First-Order Immunity to Camera Calibration Errors [39.41872679860813]
  従来の3D-2D手法では、絶対的なカメラポーズを毎回独立して推定し、カメラからプラットフォームへのポーズを通してプラットフォームの動きを復元する。 本稿では,フレーム間画像変位と既知の3次元制御点からプラットフォームの動きを直接復元する差分ポーズ推定手法を提案する。 回転誤差は、キャリブレーション誤差、動き、大きさ、観察幾何学によって決定される有界摂動を誘導する一方で、外在誤差が正確にキャンセルされることを証明した。
  論文  参考訳（メタデータ） (2026-08-05T10:36:04Z)
• Rolling Shutter Camera Self-Calibration [16.655500623025226]
  ローリングシャッター (RS) カメラはコンシューマーデバイスで広く使われているが、ローリングシャッターの露光は動きの歪みを引き起こす。 既存のRSキャリブレーション手法はキャリブレーションターゲットや特別なハードウェアに依存しており、制約のない設定での使用を制限する。 本稿では,カメラの内在性を直接推定し,画像列から読み出し時間比を推定する,RSカメラの最初の自己校正手法を提案する。
  論文  参考訳（メタデータ） (2026-08-02T21:43:46Z)
• Image-to-Point Cloud Registration Made Easy with Rectified Flow-based LiDAR Upsampling [15.063950064670403]
  I2P(Image-to-Point Cloud Registration)は、認識システムや自律システムにおいて、カメラとLiDARを統合する上で不可欠である。 我々は,LiDARを単一スパースLiDARスキャンから撮像センサとして扱う,シンプルで効果的なI2P法を提案する。 R3LIVEデータセットを用いた実験により,提案手法は4.89/1.63mの平均誤差を達成し,既存の手法より優れていた。
  論文  参考訳（メタデータ） (2026-07-16T07:06:04Z)
• One target to align them all: LiDAR, RGB and event cameras extrinsic calibration for Autonomous Driving [18.457468209694717]
  本稿では,イベントカメラ,LiDAR,RGBカメラ間の相対的なポーズを同時に推定する,新しいマルチモーダル外部キャリブレーションフレームワークを提案する。 提案手法のコアとなる3次元キャリブレーションターゲットは,3つのセンシングモードすべてで同時に認識できるように特別に設計・構築されている。
  論文  参考訳（メタデータ） (2025-11-15T16:57:39Z)
• DIMM: Decoupled Multi-hierarchy Kalman Filter for 3D Object Tracking [50.038098341549095]
  状態推定は、高い操作性を持つ3次元物体追跡において困難である。 本稿では,各方向の異なる動きモデルから推定される推定を効果的に組み合わせる新しいフレームワークであるDIMMを提案する。 DIMMは既存の状態推定手法のトラッキング精度を31.61%99.23%向上させる。
  論文  参考訳（メタデータ） (2025-05-18T10:12:41Z)
• Multi-Visual-Inertial System: Analysis, Calibration and Estimation [26.658649118048032]
  マルチビジュアル・慣性システム(MVIS)の状態を推定し,センサ融合アルゴリズムを開発した。 我々は、関連する視覚慣性センサーの完全な校正に興味を持っている。
  論文  参考訳（メタデータ） (2023-08-10T02:47:36Z)
• Boosting 3D Object Detection by Simulating Multimodality on Point Clouds [51.87740119160152]
  本稿では,LiDAR 画像検出器に追従する特徴や応答をシミュレートすることで,単一モダリティ (LiDAR) 3次元物体検出器を高速化する新しい手法を提案する。 このアプローチでは、単一モダリティ検出器をトレーニングする場合のみ、LiDARイメージデータを必要とし、十分にトレーニングされた場合には、推論時にのみLiDARデータが必要である。 nuScenesデータセットの実験結果から,本手法はSOTA LiDARのみの3D検出器よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2022-06-30T01:44:30Z)
• LIF-Seg: LiDAR and Camera Image Fusion for 3D LiDAR Semantic Segmentation [78.74202673902303]
  本稿では,LiDAR分割のための粗大なLiDARとカメラフュージョンベースネットワーク(LIF-Seg)を提案する。 提案手法は,画像の文脈情報を完全に活用し,単純だが効果的な早期融合戦略を導入する。 これら2つのコンポーネントの協力により、効果的なカメラ-LiDAR融合が成功する。
  論文  参考訳（メタデータ） (2021-08-17T08:53:11Z)
• LIBRE: The Multiple 3D LiDAR Dataset [54.25307983677663]
  We present LIBRE: LiDAR Benchmarking and Reference, a first-of-in-kind dataset with 10 different LiDAR sensor。 LIBREは、現在利用可能なLiDARを公平に比較するための手段を提供するために、研究コミュニティに貢献する。 また、既存の自動運転車やロボティクス関連のソフトウェアの改善も促進する。
  論文  参考訳（メタデータ） (2020-03-13T06:17:39Z)
• Multi-View Photometric Stereo: A Robust Solution and Benchmark Dataset for Spatially Varying Isotropic Materials [65.95928593628128]
  多視点光度ステレオ技術を用いて3次元形状と空間的に異なる反射率の両方をキャプチャする手法を提案する。 我々のアルゴリズムは、遠近点光源と遠近点光源に適している。
  論文  参考訳（メタデータ） (2020-01-18T12:26:22Z)

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。