論文の概要: CT-SGAL-LIO: Causal Continuous Time Refinement of Discrete LiDAR Inertial Odometry
- arxiv url: http://arxiv.org/abs/2611.16918v1
- Date: Thu, 12 Nov 2026 15:07:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.495497
- Title: CT-SGAL-LIO: Causal Continuous Time Refinement of Discrete LiDAR Inertial Odometry
- Title(参考訳): CT-SGAL-LIO : 離散LiDAR慣性オドメトリーの経時的改善
- Abstract要約: 最先端LiDAR慣性オドメトリー法は, 高い大域的精度を実現するが, そのポーズストリームは伝搬と補正を交互に行う。
本研究では,離散SGal(3)推定器の後部ポーズストリームを,推定器自体を変更することなく円滑にする連続時間改善モジュールを提案する。
- 参考スコア(独自算出の注目度): 7.183581100261109
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: State-of-the-art LiDAR-inertial odometry methods, including those on richer state manifolds, achieve strong global accuracy, yet their pose stream alternates between propagation and correction and can oscillate over short horizons even when globally accurate. Most existing methods follow these approaches: they either modify the filter to enable faster updates or estimate a continuous-time trajectory from raw LiDAR and inertial data. The latter involves extra optimization, delaying state updates and becoming less robust during rapid rotations or accelerations. We propose CT-SGAL-LIO, a continuous-time refinement module that smooths the posterior pose stream of a discrete SGal(3) estimator without modifying the estimator itself. The key novelty is to perform continuous-time trajectory refinement directly on the projected SGal(3) posterior: we fit a cubic trajectory over a bounded window of recent poses and evaluate it at a small fixed lag. This places the query time within the observed interval, so the refined pose is obtained by interpolation rather than extrapolation, while preserving causal operation. CT-SGAL-LIO improves relative trajectory accuracy on 17 sequences from three public benchmarks. Across 17 sequences from GRAND-TOUR, MCD, and GEODE, CT-SGAL-LIO improves short-term motion accuracy while largely preserving global accuracy. RTE improves by up to 70% on GRAND-TOUR and on all seven GEODE sequences, with 9.9-51.1% reductions. A 19.5-min R-Campus run also reduces posterior jumps by 85.4% with only a 4.7 mm change in the end-to-start gap. We plan to release our source code and results to support community validation and reproducibility.
- Abstract(参考訳): よりリッチな状態多様体を含む最先端のLiDAR慣性オドメトリー法は、強い大域的精度を達成するが、それらのポーズストリームは伝搬と補正を交互に行い、大域的精度でも短地平線上で振動することができる。
既存のほとんどのメソッドは、これらのアプローチに従っており、高速な更新を可能にするためにフィルタを変更するか、生のLiDARと慣性データから連続時間の軌跡を推定する。
後者には、追加の最適化、状態更新の遅延、高速なローテーションやアクセラレーションの際の堅牢性の低下が含まれる。
本研究では,CT-SGal-LIOを提案する。CT-SGal-LIOは,離散的なSGal(3)推定器の後部ポーズストリームを,推定器自体を変更することなく滑らかにすることができる。
鍵となる新規性は、投影されたSGal(3)後部に直接連続時間軌跡補正を行い、最近のポーズの有界な窓に立方形軌跡を適合させ、それを小さな固定ラグで評価することである。
これにより、クエリ時間は観測間隔内に配置されるので、洗練されたポーズは、因果操作を保ちながら、外挿よりも補間によって得られる。
CT-SGAL-LIOは3つの公開ベンチマークから17配列の相対軌道精度を改善する。
GRAND-TOUR, MCD, GEODEから得られた17の配列のうち、CT-SGAL-LIOは短時間の動作精度を向上し、大まかに世界的精度を保っている。
RTEはGRAND-TOURとGEODEの7つのシーケンスで最大70%改善され、9.9-51.1%が削減された。
19.5分間のR-Campusランでは、後部ジャンプを85.4%減らし、終端から始点までの差はわずか4.7mmである。
コミュニティの検証と再現性をサポートするために、ソースコードと結果をリリースする予定です。
関連論文リスト
- MetricTrail: Revisiting the Power of Metric Depth and Local Optimization for Long-Sequence Streaming 3D Reconstruction [76.29907294945012]
MetricTrailは、カメラの動きを正確に推定し、長いモノクラービデオから高密度に再構成するストリーミングシステムである。
単一画像のメートル法深度は、対応ネットワークを再トレーニングすることなく、その軌道精度を大幅に向上する。
KITTI-02を12.70 FPSで3.21GBのピークGPUメモリで処理する。
論文 参考訳(メタデータ) (2026-11-05T07:02:32Z) - GLIO2: A GPU-Parallelized Tightly-Coupled LiDAR-Inertial-GNSS System for Robust and Real-Time Global Localization and Mapping [15.754665490464623]
既存のフュージョンメソッドは、2つの障害モードを持つスキャンからマップのフロントエンドを共有する。
我々は,スキャン・スキャン・LiDAR,IMU事前積分,生計測を両立させた密結合LiDAR-Inertial-GNSSシステムを提案する。
補完的なオフラインバックエンドは、同じキャッシュされた要素を再利用して全軌道をバッチで洗練し、30分4.51kmのUrbanNav Whampoaシーケンスを約24秒で完了させる。
論文 参考訳(メタデータ) (2026-10-08T17:49:33Z) - FlowCTS: On-policy Continuous Trajectory Supervision of Flow Models [65.32587991232592]
フロー連続軌道スーパービジョン(FlowCTS)を提案する。
FlowCTSは、同じ学生訪問状態の学生と参照軌跡とを一致させる。
マルチ参照設定では、単一状態のFlowCTS-OPDはバニラKLベースのOPDよりも高速な収束で性能が向上する。
論文 参考訳(メタデータ) (2026-07-27T15:03:22Z) - WNOJ-LIO: A White-Noise-on-Jerk Motion-Prior EKF for High-Dynamic LiDAR-IMU Fusion [8.088340425767125]
WNOJ-LIOはWhite-Noise-on-Jerk(WNOJ)拡張カルマンフィルタ(EKF)に基づくLiDAR-IMU融合フレームワークである
本稿では,White-Noise-on-Jerk(WNOJ)拡張カルマンフィルタ(EKF)に基づくLiDAR-IMU融合フレームワークWNOJ-LIOを提案する。
論文 参考訳(メタデータ) (2026-07-15T03:07:44Z) - K-GMRF: Kinetic Gauss-Markov Random Field for First-Principles Covariance Tracking on Lie Groups [8.489406212619164]
共分散追跡のためのオンライン学習自由フレームワークK-GMRFを提案する。
本手法は, 構造保存型シンプレクティックインテグレータにより伝搬される潜在角速度を駆動するトルクとして観測を解釈する。
理論的には、この2階の力学が一定回転下でゼロ定常誤差を達成することを証明している。
論文 参考訳(メタデータ) (2026-03-20T03:16:36Z) - H-RINS: Hierarchical Tightly-coupled Radar-Inertial Navigation via Smoothing and Mapping [2.3821762993135507]
ミリ波レーダーは、視覚的に劣化した環境で堅牢な知覚を提供する。
レーダー慣性状態推定は本質的にドリフトの影響を受けやすい。
本稿では,密結合型階層型レーダ慣性係数グラフフレームワークを提案する。
論文 参考訳(メタデータ) (2026-03-14T20:30:49Z) - Spatially-Aware Adaptive Trajectory Optimization with Controller-Guided Feedback for Autonomous Racing [74.83272587893508]
本稿では,NURBSに基づく軌道表現,CMA-ESグローバル軌道最適化,コントローラ誘導空間フィードバックを組み合わせた自律レースライン最適化フレームワークを提案する。
シミュレーションでは,最大静的加速度をパラメータ化したコントローラと比較して17.38%のラップタイム短縮を実現している。
高摩擦から低摩擦まで様々なタイヤ化合物で試験された実ハードウェアでは、摩擦を明示的にパラメータ化することなく、7.60%のラップタイムの改善が得られる。
論文 参考訳(メタデータ) (2026-02-17T15:10:44Z) - ROLO-SLAM: Rotation-Optimized LiDAR-Only SLAM in Uneven Terrain with Ground Vehicle [49.61982102900982]
荒地における地上車両の姿勢推定精度を向上させるために,LiDARを用いたSLAM法を提案する。
累積誤差の低減を支援するために,グローバルスケールの因子グラフが確立されている。
その結果,ROLO-SLAMは地上車両の姿勢推定に優れ,既存のLiDAR SLAMフレームワークよりも優れていた。
論文 参考訳(メタデータ) (2025-01-04T02:44:27Z) - Continuous sPatial-Temporal Deformable Image Registration (CPT-DIR) for motion modelling in radiotherapy: beyond classic voxel-based methods [28.526710503853877]
現在の変形可能な画像登録(DIR)の実装は、離散的な体積運動表現に依存している。
患者解剖運動の連続モデリングに暗黙的神経表現(INR)を用いた新しいアプローチを提案する。
CPT-DIRは、登録と精度、自動化、スピードを大幅に向上させる。
論文 参考訳(メタデータ) (2024-05-01T10:26:08Z) - RAGO: Recurrent Graph Optimizer For Multiple Rotation Averaging [62.315673415889314]
本稿では,複数回転平均化(MRA)のための深部繰り返し回転平均化グラフ(RAGO)を提案する。
我々のフレームワークは、実世界のアプリケーションに小さなサイズでデプロイされた、リアルタイムに学習から最適化するローテーション平均化グラフである。
論文 参考訳(メタデータ) (2022-12-14T13:19:40Z) - Parameter-free Locally Accelerated Conditional Gradients [91.19349793915615]
私たちは小説を紹介します。
自由局所加速cg(pf-lacg)アルゴリズムは,厳密な収束保証を提供する。
我々の理論結果は,局所加速度を実証し,非加速アルゴリズムに対するPF-LaCGの実用的改善を示す数値実験によって補完される。
論文 参考訳(メタデータ) (2021-02-12T22:50:01Z)
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。