論文の概要: QVS-LIVO RiskMap: Health- and Information-Aware View Selection for Multi-Camera LIVO and Off-Road Risk Mapping
- arxiv url: http://arxiv.org/abs/2611.16205v1
- Date: Thu, 12 Nov 2026 02:51:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.303945
- Title: QVS-LIVO RiskMap: Health- and Information-Aware View Selection for Multi-Camera LIVO and Off-Road Risk Mapping
- Title(参考訳): QVS-LIVO RiskMap: マルチカメラLIVOとオフロードリスクマッピングのためのヘルス・アンド・インフォメーション・アウェア・ビュー選択
- Abstract要約: QVS-LIVOリスクマップ(Quality-Aware View Selection Lidar-Vision Odometry Risk Mapping)を提案する。
フロントエンドは、共有ライダー慣性後部におけるリードオンリーの事前追跡により、カメラの観察を評価する。
マッピングバックエンドは、共有ワールドグリッド内のすべての利用可能なビューからのセマンティックな観察を統合する。
- 参考スコア(独自算出の注目度): 6.536684305859285
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Multi-camera observations in off-road environments vary significantly in reliability, posing challenges when complementing degraded geometric constraints. Motivated by this, we propose Quality-aware View Selection Lidar-Vision Odometry Risk Mapping (QVS-LIVO RiskMap), which decouples visual processing for state estimation from that for semantic mapping. The front end evaluates camera observations through read-only pretracking on a shared lidar-inertial posterior, combining observation health with geometric complementarity. Channel health memory and switching hysteresis govern selection of at most one eligible view for direct photometric correction. The posterior is retained when no view is eligible or the correction fails acceptance. The mapping back end integrates semantic observations from all available views in a shared world grid. Vehicle-scale geometry constrains semantic risk corrections, while spatial and temporal evidence supports risk confirmation. The system also produces a local bird's-eye-view (BEV) risk map and a global 2.5D semantic-terrain risk map with obstacle instance voxels. On two field sequences, QVS-LIVO achieved horizontal root mean square errors of 0.910 m and 1.664 m. It reduced error by 43.3% relative to FAST-LIO2 on the degraded long-route sequence. Across 12 controlled camera-fault configurations involving dropout, black frames and 60 ms timestamp shifts, it maintained complete trajectories with errors of 1.54-2.23 m. When deployed onboard an NVIDIA Jetson AGX Orin, the system generates local and global maps at 9.94 Hz and 2.00 Hz, respectively, with a median local mapping latency of 32.4 ms. These runtime results demonstrate the real-time feasibility of selective visual state updates alongside multi-view semantic mapping under challenging off-road conditions. The code and related resources are available at: https://github.com/zihanPan-HIT/QVS-LIVO.
- Abstract(参考訳): オフロード環境でのマルチカメラ観測は信頼性に大きく違い、劣化した幾何学的制約を補完する際の課題を提起する。
そこで我々は,QVS-LIVOリスクマップ(Quality-Aware View Selection Lidar-Vision Odometry Risk Mapping)を提案する。
フロントエンドは、共有ライダー-慣性後部におけるリードオンリーの事前追跡を通じてカメラの観察を評価し、観察の健康と幾何学的な相補性を組み合わせた。
チャネルの健康記憶とスイッチングヒステリシスは、直接光度補正のために少なくとも1つの許容可能なビューの選択を統制する。
ビューが適していない場合や修正が受理に失敗する場合、後部は保持される。
マッピングバックエンドは、共有ワールドグリッド内のすべての利用可能なビューからのセマンティックな観察を統合する。
車両スケールの幾何学は意味的リスクの修正を制約するが、空間的および時間的証拠はリスクの確認を支持する。
また,BEV(Local Bird's-eye-view)リスクマップや,障害物インスタンスのボクセルを用いたグローバルな2.5Dセマンティック・テランのリスクマップも生成する。
2つのフィールドシーケンスにおいて、QVS-LIVO は 0.910 m と 1.664 m の水平根平均二乗誤差を達成した。
FAST-LIO2と比較して43.3%の誤差を減少させた。
ドロップアウト、ブラックフレーム、60msのタイムスタンプシフトを含む12基の制御された防犯カメラは1.54-2.23mの誤差で完全な軌道を維持した。
NVIDIA Jetson AGX Orinにデプロイすると,ローカルマップとグローバルマップをそれぞれ9.94 Hzと2.00 Hzで生成し,中央値のローカルマッピングレイテンシは32.4 msである。これらのランタイム結果は,オフロード条件に挑戦しながら,複数ビューのセマンティックマッピングと並行して選択された視覚状態のアップデートをリアルタイムに実現可能であることを示す。
コードと関連するリソースは、https://github.com/zihanPan-HIT/QVS-LIVO.comで公開されている。
関連論文リスト
- ACROSSVAM3.0: Resource-Bounded 4D Scene Construction and Adaptive Surface Association [7.12251554131085]
AcrossVAM3.0は、テキスト、画像、または単眼RGB動画をバージョン付きポイント表現に変換するオフラインシステムである。
3つの新しい入力モードは、最大17.14GBのタスクプロセスツリーGPUフットプリントで完了する。
TAP-Vid-DAVISにおける局面誤差を低減させるが、長距離トラックのカバーは失われる。
論文 参考訳(メタデータ) (2026-11-09T03:40:19Z) - SeA-RVINS: Semantic-Aware Tightly Coupled RTK-Visual-Inertial System with Correlation-Preserving Robust Estimation for Urban Navigation [4.90697138515635]
本稿では,ロバストな都市ポーズ推定のための視覚慣性システムであるSeA-RVINSを提案する。
意味学習ステレオは、永続的なランドマークがグラフに入る前に、信頼できないトラックを拒否する。
本稿では,連続性を検証した短い弧上で1つのあいまい性状態を共有するハイブリッドあいまい性継続戦略を提案する。
論文 参考訳(メタデータ) (2026-09-25T04:49:11Z) - ReSTI: A Source-Grounded Audit and Repair of STI-Bench [53.31188726177487]
対象,時間,座標系,物理量,単位の条件下で,すべてのリカバリ可能な回答を再構築するソースバックリビジョンであるReSTIを導入する。
2,064件のレガシな質問に対して、ReSTIは1,782件の質問を残している。
論文 参考訳(メタデータ) (2026-09-21T15:01:35Z) - Risk-Aware World Modeling with Flow-Guided Occupancy Evolution for Selective Trajectory Planning in Automated Driving [8.131595330708242]
RiskWorldは、共有占有率予測と選択軌道置換のためのリスク対応の世界モデリングフレームワークである。
1つの予測は計画ステップ毎に生成され、候補間で再利用される。
設定内アブレーションは、リスクワールドが現在のリスコリングベースラインよりも低い衝突率を達成することを示している。
論文 参考訳(メタデータ) (2026-09-16T10:32:37Z) - Zero-Shot Traffic Accident Detection via a Coarse-to-Fine VLM-Tracking Pipeline [0.10874100424278173]
ACCIDENT @ CVPRベンチマークは、厳密な制約の下で、この共同予測を正確に評価する。
我々は,凍結したQwen3-VL-32B-インストラクション視覚言語モデルとYOLO11xオブジェクト検出とBoT-SORTトラッキングを組み合わせた,トレーニングフリーで2パスの粗いパイプラインを提案する。
公式の2,027クリップの実CCTVテストセットにおいて,本システムは0.504の3方向高調波平均スコアを達成した。
論文 参考訳(メタデータ) (2026-08-09T19:08:56Z) - Can Attribution Predict Risk? From Multi-View Attribution to Planning Risk Signals in End-to-End Autonomous Driving [51.726472686971896]
エンド・ツー・エンドの自律運転モデルは、多視点入力から将来の軌跡を生成する。
既存の手法では、軌道生成の根底にある視覚的証拠を明らかにすることができない。
エンド・ツー・エンド・プランニングのための階層的属性・フレームワークを提案する。
論文 参考訳(メタデータ) (2026-05-07T13:38:18Z) - OptiMVMap: Offline Vectorized Map Construction via Optimal Multi-vehicle Perspectives [111.69010751405368]
オフラインベクトル化マップは、高精度の自動運転およびマッピングサービスの重要な基盤となっている。
既存のアプローチは、基本的に視点の不十分さに苦しむ1つのエゴ車軌道に大きく依存している。
本稿では,これらの課題に体系的に対処するために,多車種対応マップを選択型ヒューズ問題として再構成するOptiMVMapを提案する。
論文 参考訳(メタデータ) (2026-04-18T20:23:27Z) - Unifying UAV Cross-View Geo-Localization via 3D Geometric Perception [51.687842983240564]
無人航空機(UAV)のクロスビューな地上局地化は、斜めのUAV画像と衛星地図との厳密な幾何学的相違により、いまだに困難である。
本稿では,3次元シーン形状を明示的にモデル化し,粗い位置認識ときめ細かなポーズ推定を統一する,幾何認識型UAV測位フレームワークを提案する。
提案手法は, 最先端のベースラインを著しく上回り, ロバストメータレベルのローカライゼーション精度を実現し, 複雑な都市環境における一般化を向上する。
論文 参考訳(メタデータ) (2026-04-02T08:08:41Z) - Beyond Cross-view Image Retrieval: Highly Accurate Vehicle Localization
Using Satellite Image [91.29546868637911]
本稿では,地上画像と架空衛星地図とをマッチングすることにより,車載カメラのローカライゼーションの問題に対処する。
鍵となる考え方は、タスクをポーズ推定として定式化し、ニューラルネットベースの最適化によってそれを解くことである。
標準自動運転車のローカライゼーションデータセットの実験により,提案手法の優位性が確認された。
論文 参考訳(メタデータ) (2022-04-10T19:16:58Z) - Multiview Detection with Feature Perspective Transformation [59.34619548026885]
本稿では,新しいマルチビュー検出システムMVDetを提案する。
我々は,平面上に特徴写像を投影することで,多視点情報を集約するアンカーフリーアプローチを採っている。
私たちのモデル全体がエンドツーエンドで学習可能で、標準のWildtrackデータセットで88.2%のMODAを実現しています。
論文 参考訳(メタデータ) (2020-07-14T17:58:30Z)
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。