論文の概要: RGB-D SLAM on the Edge: Benchmarking and Profiling RTAB-Map and ORB-SLAM3 on the Raspberry Pi 5
- arxiv url: http://arxiv.org/abs/2611.16472v1
- Date: Thu, 12 Nov 2026 08:29:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.399115
- Title: RGB-D SLAM on the Edge: Benchmarking and Profiling RTAB-Map and ORB-SLAM3 on the Raspberry Pi 5
- Title(参考訳): RGB-D SLAM on the Edge: ベンチマークとプロファイリング RTAB-MapとORB-SLAM3 on the Raspberry Pi 5
- Abstract要約: Raspberry Pi 5上でRTAB-MapとORB-SLAM3をベンチマークした。
トラッキングカバレッジ、トラジェクトリエラー、フレーム毎の時間、メモリ、CPU負荷、実行毎の温度を記録します。
- 参考スコア(独自算出の注目度): 16.539316811990933
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Micro aerial vehicles that operate without GPS often run SLAM on ARM-based edge boards, yet there is little published data on how standard RGB-D SLAM systems behave on such hardware. We benchmark RTAB-Map and ORB-SLAM3 on the Raspberry Pi 5 using six TUM RGB-D sequences at three image resolutions, recording tracking coverage, trajectory error, time per frame, memory, CPU load and temperature for every run, and we profile both systems at the stage and function level. RTAB-Map was configured to process and keep every frame, so its back end runs on every frame rather than at its default rate of 1 Hz. On the sequences that every configuration tracked, its front end takes 38-74 ms per frame and its full pipeline 150-462 ms, compared with 13-45 ms and 26-62 ms for ORB-SLAM3. RTAB-Map's main cost is optimizing a pose graph that keeps growing, because its working memory is unbounded by default; ORB-SLAM3's local bundle adjustment costs about as much as its tracking but runs in a parallel thread. At quarter resolution, both systems lose tracking on most sequences, and runs that lose tracking finish sooner and report lower error on the poses they keep, so time and accuracy must be read alongside coverage. Timing is repeatable to within 1-5%, but trajectory error varies by up to 27% between identical runs, so the accuracy differences between the two systems are inconclusive. No thermal throttling occurred.
- Abstract(参考訳): GPSを使わずに動くマイクロ航空車両は、ARMベースのエッジボード上でSLAMを実行することが多いが、標準的なRGB-D SLAMシステムがそのようなハードウェア上でどのように振る舞うかについては、公表されていない。
Raspberry Pi 5のRTAB-MapとORB-SLAM3を3つの画像解像度で6つのTUM RGB-Dシーケンスを用いてベンチマークし、トラッキングカバレッジ、トラジェクトリエラー、フレーム毎の時間、メモリ、CPU負荷と温度を測定した。
RTAB-Mapはすべてのフレームを処理および保持するように構成されているため、バックエンドは1Hzというデフォルトレートではなく、すべてのフレームで動作する。
各構成が追跡されたシーケンスでは、前端はフレームあたり38-74ms、全パイプラインは150-462ms、対してORB-SLAM3は13-45ms、26-62msである。
RTAB-Mapの主なコストは、動作メモリがデフォルトでアンバウンドされているため、成長し続けるポーズグラフの最適化である。
クォーターレゾリューションでは、両方のシステムはほとんどのシーケンスのトラッキングを失い、トラッキングの終了が早くなり、保持するポーズのエラーも少なくなるため、時間と正確性はカバレッジとともに読み取らなければならない。
タイミングは1-5%以内で繰り返すことができるが、軌跡誤差は同一走行間の最大27%まで変化するため、両者の精度差は決定できない。
サーマル・スロットリングは発生しなかった。
関連論文リスト
- Map2SLAM: From Streaming Map Prediction to Real-Time SLAM [32.59897919880376]
3Dファンデーションモデル(3DFM)のストリーミングでは、カメラのポーズと密集した地形をオンラインで推定するが、SLAMには達していない。
我々はLingBot-Mapを凍結保存するMap2SLAMを提案し、軽量な検索ヘッドのみを訓練し、モデルの推論インターフェース上にSLAMを構築する。
すべての呼び出しは、1つのフレームエンコーダパスをイメージごとに共有する。
論文 参考訳(メタデータ) (2026-11-08T06:16:26Z) - HiP3R: Hierarchical Pose Graphs for Long-Horizon 3D Reconstruction [65.91699979478172]
長いビデオは、グローバルな一貫性を達成するために重なり合うチャンクとして処理されなければならない。
HiP3Rはこのトレードオフを階層的なポーズグラフを使って解決する。
複数のベンチマークによる実験では、HiP3Rの有効性が示されている。
論文 参考訳(メタデータ) (2026-10-22T17:51:10Z) - Jetson-ORB-SLAM3: Accuracy-Preserving GPU Implementation for Edge Computing Devices [0.09558392439655011]
NVIDIA Jetson Orin Nano用のORB-SLAM3の精度保存GPU実装を提案する。
単分子慣性モードでは、システムは11個のEuRoC配列で32FPSの平均を維持できる。
論文 参考訳(メタデータ) (2026-08-18T15:07:37Z) - PhyAI: Real-Time Physical AI at the Edge, Scalable Rollouts in the Cloud [19.027069678233655]
PhyAIは、単一のランタイムを持つ物理AI推論エンジンである。
単一のまたは複数のGPU上でビジョン言語アクション(VLA)モデルとワールドアクションモデル(WAM)を実行する。
pi0、pi0.5、GR00T N1.7、MiniCPM-Robotの公式実装よりも1.40x-4.65xのスピードアップを実現している。
論文 参考訳(メタデータ) (2026-08-04T13:53:48Z) - Scaling DoRA: High-Rank Adaptation via Factored Norms and Fused Kernels [83.99688944263843]
DoRA(Weight-De Low-Rank Adaptation)は、LoRAを方向から分離することで拡張する。
d_in = 8192 とランク r = 384 では、単一のモジュールのノルムは bf16 で512MB の過渡的なワーキングメモリを必要とする。
因子ノルムは、二乗ノルムを O(d_out r + r2) 中間体を通して計算可能な基底、交差、およびグラマー項に分解し、密積を除去する。
論文 参考訳(メタデータ) (2026-03-23T17:57:24Z) - SwiTrack: Tri-State Switch for Cross-Modal Object Tracking [74.15663758681849]
クロスモーダルオブジェクトトラッキング(CMOT)は、ビデオストリームが異なるモード間で切り替える間、ターゲットの一貫性を維持する新しいタスクである。
SwiTrackは3つの特別なストリームを配置することでCMOTを再定義する新しいステートスイッチングフレームワークである。
論文 参考訳(メタデータ) (2025-11-20T10:52:54Z) - Loopy-SLAM: Dense Neural SLAM with Loop Closures [53.11936461015725]
ポーズをグローバルに最適化するLoopy-SLAMと高密度3Dモデルを導入する。
我々は,データ駆動のポイントベースサブマップ生成手法を用いてフレーム・ツー・モデル追跡を行い,グローバルな位置認識を行うことで,オンラインのループクロージャをトリガーする。
合成Replicaおよび実世界のTUM-RGBDおよびScanNetデータセットの評価は、既存の高密度ニューラルネットワークRGBD SLAM法と比較して、追跡、マッピング、レンダリングの精度の競争力または優れた性能を示す。
論文 参考訳(メタデータ) (2024-02-14T18:18:32Z) - NTU4DRadLM: 4D Radar-centric Multi-Modal Dataset for Localization and
Mapping [32.0536548410301]
SLAMは4Dレーダー、サーマルカメラ、IMUをベースとしている。
1)4Dレーダー、サーマルカメラ、IMU、3D LiDAR、ビジュアルカメラ、RTK GPSの6つのセンサーを同時に備えた唯一のデータセットである。
論文 参考訳(メタデータ) (2023-09-02T15:12:20Z) - Using Detection, Tracking and Prediction in Visual SLAM to Achieve
Real-time Semantic Mapping of Dynamic Scenarios [70.70421502784598]
RDS-SLAMは、一般的に使用されているIntel Core i7 CPUのみを使用して、動的シナリオのためのオブジェクトレベルでのセマンティックマップをリアルタイムで構築することができる。
我々は, TUM RGB-DデータセットにおけるRDS-SLAMを評価し, 動的シナリオにおいて, RDS-SLAMはフレームあたり30.3msで動作可能であることを示した。
論文 参考訳(メタデータ) (2022-10-10T11:03:32Z)
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。