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
VLAarXiv:2610.23595

F-LIVO：LiDAR・慣性・視覚オドメトリのための特徴量レベル幾何計測フレームワーク

F-LIVO: A Feature-Level Geometric Measurement Framework for LiDAR-Inertial-Visual Odometry

シェア:XThreadsFacebookLINEはてブBluesky

視覚点とLiDAR平面を特徴量レベルの点-平面拘束で結びつけ、密な光度属性を地図に保持せずコンパクトな地図で動作するフィルタ型LIVOを提案。劣化条件下でも低ドリフトで推定を維持し、CPU使用率とメモリも抑える。

詳しい要約

1. どんなもの？

- 本論文は F-LIVO とよばれる filter-based な LiDAR-Inertial-Visual Odometry (LIVO) フレームワークを提案する。 - visual-inertial subsystem と LiDAR-inertial subsystem を、visual points と LiDAR planes の間の feature-level point-to-plane constraints で結合する。 - 密な photometric patches や appearance attributes を LiDAR 点に常時付与せず、sparse geometric features に基づく compact な map representation を保つ。

2. 先行研究と比べてどこがすごい？

- measurement-level LIVO は高精度だが、association と map-maintenance の戦略次第で密な photometric patches 等の保持が storage・association・update コストを増やす。 - 提案法は密な photometric map attributes ではなく sparse geometric features を用いるため、compact な地図表現を維持できる点が特徴。 - 評価した実装の中で mean/peak CPU usage、peak RSS、RSS growth rate が最小。ただし mean RSS は R2LIVE の方が低い。

3. 技術・手法の肝は？

- visual-inertial subsystem と LiDAR-inertial subsystem を feature-level point-to-plane constraints で結合する filter-based 構成。 - visual triangulation が弱い場合に備え、local plane fitting と ray-plane intersection により LiDAR map から visual feature depth を復元する。 - LiDAR update では local planar reliability に応じて各 point-to-plane residual の covariance を適応的にスケールし、条件の悪い面での過信的な更新を抑える。

4. どうやって有効だと検証した？

- 複数の public datasets 上で実験し、精度は competitive だが sequence-dependent であると報告。 - 評価した degradation cases において連続的な推定を維持し、累積の end-to-end drift を比較的低く保つ。 - 評価した resource configuration 下で mean/peak CPU usage、peak RSS、RSS growth rate が最小であることを示す（mean RSS は R2LIVE がより低い）。

5. 議論はある？

- 精度は competitive だが sequence-dependent であり、全系列で一貫して優位とは限らない。 - リソース面では CPU 使用量や RSS 成長率で優位だが、mean RSS では R2LIVE に劣る。 - 提案法の詳細な限界や failure cases、各 degradation case の内容は要旨からは不明。

6. 次に読むべき論文は？

- 比較対象として言及される R2LIVE をまず参照する。 - 関連手法として measurement-level LIVO および密な photometric patches を用いる LIVO 系の研究を挙げる。 - 具体的な論文名は要旨からは不明。

※ 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: Xinye Dai, Yapeng Wang, Shujie Zhou, Zihao Wang, Shiqi Zheng, Jiayu Hu, Yusheng Wang, Weiwei Song, Weiming Tang

分類: cs.RO

原文アブストラクト

Measurement-level LiDAR-Inertial-Visual Odometry (LIVO) can achieve high accuracy, and its practical resource requirements depend on the adopted association and map-maintenance strategy. Persistently attaching dense photometric patches or appearance attributes to mapped LiDAR points can introduce additional storage, association, and update costs. This paper presents F-LIVO, a filter-based LIVO framework that couples a visual-inertial subsystem and a LiDAR-inertial subsystem through feature-level point-to-plane constraints between visual points and LiDAR planes. To preserve cross-modal coupling when visual triangulation is weak, we further recover visual feature depth from the LiDAR map through local plane fitting and ray-plane intersection. In the LiDAR update, the covariance of each point-to-plane residual is adaptively scaled according to local planar reliability, thereby reducing overconfident updates on poorly conditioned surfaces. Because the proposed method relies on sparse geometric features rather than persistent dense photometric map attributes, it retains a compact map representation. Experiments on multiple public datasets show competitive, sequence-dependent accuracy. Across the evaluated degradation cases, F-LIVO maintains continuous estimation with comparatively low accumulated end-to-end drift. Under the evaluated resource configuration, it achieves the lowest mean and peak central processing unit (CPU) usage, the lowest peak resident set size (RSS), and the lowest RSS growth rate among the evaluated implementations, while R2LIVE retains a lower mean RSS. The source code will be made publicly available upon acceptance to facilitate reproducible research.

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