日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

視覚慣性SLAMarXiv:2611.20568

sqrtVINSを用いた360度視覚慣性SLAMシステム:Hilti-Trimble SLAMチャレンジ2026への参加

sqrtVINS-Based 360 Visual-Inertial SLAM Systems: Hilti-Trimble SLAM Challenge 2026 Entry

シェア:XThreadsFacebookLINEはてブBluesky

360度カメラとIMUのみを用いた視覚慣性SLAMパイプラインを構築し、低照度強調や動的マスク、SuperPoint/ELSED/LightGlueによる特徴処理とGTSAMベースの因子グラフ最適化で屋内長距離シーケンスの軌跡推定精度を向上させた。

詳しい要約

1. どんなもの?

- 2026 Hilti-Trimble SLAM Challenge への投稿システム - 360-camera と IMU のみを用いる visual-inertial SLAM pipeline - 入力は提供された dual-fisheye image streams と IMU measurements に限定 - 低照度・動的物体・反復廊下・視差不足を含む長い屋内シーケンスを対象 - 提供された ROS2 workspace で再現可能な設計を目指す

2. 先行研究と比べてどこがすごい?

- 先行研究との具体的比較は要旨からは不明 - 360-camera の dual-fisheye 入力を直接用いる visual-inertial 構成が特徴 - sqrtVINS frontend に SuperPoint・ELSED・LightGlue を組み合わせる点が独自 - SALAD global descriptor と visual BA を統合した GTSAM backend を採用 - 既知の inter-camera baseline と cross-view constraints を global scale adjustment に利用

3. 技術・手法の肝は?

- 前処理で low-light enhancement と static/dynamic masking を実施 - 局所 odometry として sqrtVINS frontend を使用 - 特徴量は deep learning ベースの SuperPoint、線分は ELSED、マッチングは LightGlue - backend は GTSAM による tightly-coupled factor graph optimization - SALAD global descriptor と visual bundle adjustment (BA) を利用 - local-to-global structureless BA、intrinsic/extrinsic refinement、global scale adjustment を実施

4. どうやって有効だと検証した?

- 2026 Hilti-Trimble SLAM Challenge への submission として評価 - Fig. 1 で複数の屋内シーケンスにおいて floorplan とよく整合することを提示 - 定量的な評価指標や比較実験の詳細は要旨からは不明

5. 議論はある?

- 長い屋内シーケンス、暗所、反復廊下、動的物体、限られた geometric parallax への対応を狙う - 再現性を重視し ROS2 workspace 内で pipeline を構成 - 限界や失敗事例、計算コストに関する議論は要旨からは不明

6. 次に読むべき論文は?

- sqrtVINS - SuperPoint - ELSED - LightGlue - SALAD - GTSAM - visual bundle adjustment (BA) - Hilti-Trimble SLAM Challenge の関連報告

※ 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: Jungwoo Lee, Hogyun Kim, Jiwon Choi, Jinyong Jeong, Younggun Cho

分類: cs.RO

原文アブストラクト

This report describes our submission to the 2026 Hilti-Trimble SLAM Challenge. The system is a 360-camera visual-inertial pipeline that uses only the provided dual-fisheye image streams and IMU measurements. First, raw images are preprocessed with low-light enhancement and static/dynamic masking, and then fed into a $\sqrt{\text{VINS}}$ frontend as the local odometry, with deep learning-based SuperPoint features, ELSED line segments, and LightGlue matching. The resulting trajectory is refined using a GTSAM-based backend that performs tightly-coupled factor graph optimization with SALAD global descriptor and visual bundle adjustment (BA). The backend performs local-to-global structureless BA, tightly regularized intrinsic and extrinsic refinement, and global scale adjustment supported by the known inter-camera baseline and cross-view constraints. The design targets long indoor sequences with dark regions, repetitive corridors, dynamic objects, and limited geometric parallax, while keeping the pipeline reproducible in the provided ROS2 workspace. Fig. 1 demonstrates that our proposed method aligns well with the floorplan across several indoor sequences.

関連論文

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2Google DeepMind、ロボット向けAIを発表新製品・発表
  3. 3GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  4. 4パナソニックHDなど、触覚に即応する両手作業AI「T-Rex」を共同開発研究・技術
  5. 5SoftBank主導、Agile Robotsが5億ドル調達 NVIDIAと日立も参加資金調達

PR・アフィリエイト広告

MINISFORUM(ミニPC)

MINISFORUM(ミニPC)の公式広告バナーMINISFORUM公式ストアを見る ↗
PR本紙発行元 EmplifAI