cuVSLAMのスパースバンドル調整における視覚-IMU適応重み付けのためのスマートフュージョン

- cuVSLAMのsparse bundle adjustment (SBA)におけるvisual-IMU融合の重みを適応的に調整する手法。 - スカラーα≥1でvisual information matrixをIMU preintegration constraintに対して拡大。 - α候補{1.0,2.0,5.0,10.0,20.0}で軌道性能が2つのレジームに分かれることを発見。 - IMU-TRUST regime (α∈{1,2}) と VISION-TRUST regime (α∈{10,20})、α=5は遷移ケース。 - α選択を二値決定に還元し、軽量なVisual Quality Estimator (VQE)を訓練。 - VQEは914パラメータのmultilayer perceptronで、10次元visual quality feature vectorからSBAごとのレジームを予測。

- 従来のcuVSLAMではvisualとIMUの残差が事前校正されたnoise covarianceで固定重みで融合され、実行時にvisual-inertialバランスを適応させる仕組みがなかった。 - 提案手法は実行時にvisual qualityに基づいて重みを適応的に切り替える点が新しい。 - 固定重みのベースラインと比較して、mean RMSE APEをEuRoC MAVで27.7%、TUM-VI Roomで14.9%削減（LOOCV）。

- スカラーα≥1を導入し、visual information matrixをIMU preintegration constraintに対してアップスケール。 - αの候補セット{1.0,2.0,5.0,10.0,20.0}を評価し、性能が2つのレジームに分かれることを経験的に確認。 - レジーム間の差はレジーム内の差より大きいため、α選択を二値決定（IMU-TRUST vs VISION-TRUST）に還元。 - 軽量なVisual Quality Estimator (VQE)を訓練。VQEはmultilayer perceptronで914の訓練可能パラメータを持つ。 - VQEはtrackerが既に保持する統計から組み立てた10次元visual quality feature vectorを入力とし、SBAごとのレジーム予測を出力。

- EuRoC MAVとTUM-VI Roomのデータセットで評価。 - leave-one-out cross-validation (LOOCV)を実施。 - 提案手法はmean RMSE APEをEuRoC MAVで27.7%、TUM-VI Roomで14.9%削減。 - アブレーションやレジーム分析により、αの二値決定への還元の妥当性を検証。

- αの候補セット{1.0,2.0,5.0,10.0,20.0}において、性能がIMU-TRUST regime (α∈{1,2})とVISION-TRUST regime (α∈{10,20})の2つに分かれることを経験的に観察。 - α=5は遷移ケースとして扱われる。 - 各レジーム内の差はレジーム間の差に比べて小さい。 - この構造がα選択を二値決定に還元する動機付けとなる。 - ただし、レジームの一般性や他のデータセットへの適用可能性については要旨からは不明。

- cuVSLAMの元論文（Sparse Bundle Adjustmentやvisual-IMU融合に関するもの）。 - IMU preintegrationに関する研究（Forster et al.のIMU preintegrationなど）。 - Visual Quality Estimator (VQE)やvisual quality assessmentに関する研究。 - EuRoC MAVおよびTUM-VI Roomデータセットを用いたvisual-inertial SLAMのベンチマーク論文。 - 適応的重み付けやレジーム選択に関する研究（例：adaptive covariance estimation）。