オドメトリ評価は共分散を考慮すべき

- 本論文は、オドメトリの性能評価において、推定値と共分散行列を適切にスコアリングする方法を提案する。 - 従来の点指標（RMSEなど）は共分散を無視するため、推定器の不確実性を考慮しない問題を指摘。 - 厳密に適切なスコアリングルール（strictly proper scoring rules）を導入し、共分散の一貫性を診断。 - オープンソースフレームワークsmfevalを提供し、片側ペアワイズ検定を実装。 - ケーススタディとして、地上LiDAR-inertial odometryの並進成分の不確実性品質を評価。

- 従来の評価は点指標（RMSEなど）を用い、共分散を無視していた。 - 本手法は共分散を考慮することで、推定器の自信過剰（overconfidence）を検出可能。 - 共分散がない場合でも点指標に帰着し、共分散がある場合にはその不整合を診断できる。 - 地上真値なしで2つの推定器間のペアワイズ検定により、少なくとも一方の自信過剰を暴露できる点が新しい。

- 厳密に適切なスコアリングルール（strictly proper scoring rules）を採用し、推定値と報告された不確実性を同時にスコアリング。 - 共分散がない場合は点指標に一致し、共分散がある場合はその一貫性を診断。 - 片側ペアワイズ検定を提案し、地上真値なしで2つの推定器を比較。 - オープンソースフレームワークsmfevalに実装。 - ケーススタディでLiDAR-inertial odometryのフィルタの不確実性品質を評価し、自信過剰のメカニズムを調査。

- ケーススタディとして、地上LiDAR-inertial odometryの並進成分の不確実性品質をsmfevalで評価。 - 4つのフィルタを評価し、自信過剰を発見（最悪の場合、キロメートル誤差に対してセンチメートル確実性を報告）。 - 片側ペアワイズ検定により、地上真値なしで2つの推定器のうち少なくとも一方の自信過剰を暴露。 - 自信過剰のメカニズムを調査し、LiDAR測定に実際より多くの新情報を信用していることを突き止めた。

- 共分散を無視する点指標は、不確実な方向での高い誤差に対して推定器を不当に罰する。 - 共分散を用いることで、推定器が自身の出力を信頼しているか（自信過剰か）を判断できる。 - 自信過剰な推定器は自らを失われたと報告しない。 - 厳密に適切なスコアリングルールは共分散の不整合を診断できる。 - ケーススタディで自信過剰のメカニズムを特定したが、一般的な解決策については要旨からは不明。

- 要旨で参照/比較されている研究は明示されていない。 - 関連手法として、フィルタやスムーザー（filters and smoothers）が挙げられている。 - 同分野の定番として、LiDAR-inertial odometry、RMSE、共分散行列、厳密に適切なスコアリングルール（strictly proper scoring rules）が関連する。 - 具体的な次に読むべき論文は要旨からは不明。