日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

週刊ニュースレター購読
SLAM/オドメトリarXiv:2609.19336

Dynamic-LIVO: 時空間法線を用いた動的環境対応LiDAR-慣性-視覚オドメトリ

Dynamic-LIVO: A Dynamic-Aware LiDAR-Inertial-Visual Odometry System Using Spatio-Temporal Normals

シェア:XThreadsFacebookLINEはてブBluesky

時空間法線解析で動的LiDAR点を識別し、その分類をLiDAR慣性・視覚慣性更新に伝播させることで、動的環境でも高精度な自己位置推定とクリーンな静的カラーマップ生成を実現した。観測不足領域には時間遅延型の法線推定戦略を導入して信頼性を向上させた。

詳しい要約

1. どんなもの？

- LiDAR-Inertial-Visual Odometry (LIVO) システム - 動的環境でのロバストな状態推定と静的カラーマッピングを目的 - Spatio-Temporal (S-T) normal 解析で動的 LiDAR 点を識別 - 分類を LiDAR-inertial と visual-inertial 更新に伝播 - 動的測定と関連視覚観測を状態推定・マッピングから排除

2. 先行研究と比べてどこがすごい？

- 従来の LIVO は動的環境で性能低下 - 動的 LiDAR 点と視覚観測の影響を防ぐ点が新しい - S-T normal 解析を動的検出に適用 - 時間遅延戦略で新規観測・空間疎領域の信頼性向上 - 静的カラーマップの清浄性を改善

3. 技術・手法の肝は？

- Spatio-Temporal (S-T) normal 解析で動的 LiDAR 点を識別 - 分類を LiDAR-inertial と visual-inertial 更新に伝播 - 時間遅延 S-T normal 推定戦略を導入 - 不十分な制約点の分類を遅延し、追加観測で再評価 - 動的分類の信頼性向上と有効な静的点の保持

4. どうやって有効だと検証した？

- 公開データセットと自己収集データセットで実験 - 多様なセンサ構成で評価 - 挑戦的な動的環境で localization 精度向上を確認 - よりクリーンな静的カラーマップ生成を確認 - ソースコードと自己収集データセットは採択後に公開予定

5. 議論はある？

- S-T normal 推定は新規観測・空間疎領域で信頼性低下 - 時間遅延戦略で不十分な制約点を再評価 - 動的分類の信頼性と静的点保持のバランスを議論 - 実験で有効性を示すが、限界や課題は要旨からは不明

6. 次に読むべき論文は？

- LiDAR-Inertial-Visual Odometry (LIVO) の関連研究 - Spatio-Temporal (S-T) normal 解析の関連研究 - 動的環境対応の SLAM/odometry 研究 - 動的物体除去・静的マッピングの研究 - 具体的な参照論文は要旨からは不明

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Zhixin Zhang, Samuel Ahiwe, Matthew Hale, Liang Zhao, Pawel Ladosz

分類: cs.RO

原文アブストラクト

This paper proposes Dynamic-LIVO, a dynamic-aware LiDAR-Inertial-Visual Odometry (LIVO) system for robust state estimation and static colored mapping in dynamic environments. Dynamic-LIVO employs Spatio-Temporal (S-T) normal analysis to identify dynamic LiDAR points and propagates the resulting classification to both LiDAR-inertial and visual-inertial updates, preventing dynamic LiDAR measurements and their associated visual observations from affecting state estimation and mapping. However, S-T normal estimation can be unreliable in newly observed and spatially sparse regions due to insufficient spatio-temporal observations. To address this issue, we introduce a time-delayed S-T normal estimation strategy that defers the classification of insufficiently constrained points and re-evaluates them as additional observations become available. This strategy improves dynamic classification reliability while preserving valid static points for map construction. Extensive experiments on public and self-collected datasets with diverse sensor configurations demonstrate that Dynamic-LIVO improves localization accuracy and produces cleaner static colored maps in challenging dynamic environments. The source code and self-collected dataset will be publicly released upon acceptance.

arXivで原文を読む →arXiv概要ページ

関連論文

← 論文一覧
PR本紙発行元 EmplifAI