SLAM2025/9/1arXiv:2509.26639

都市規模での一人称視点視覚慣性SLAMベンチマーク

Benchmarking Egocentric Visual-Inertial SLAM at City Scale

眼鏡型デバイスで都市中心部を歩行・車移動した長時間の自己中心視点データを収録し、測量器具によるセンチメートル精度の間接的な姿勢注釈を付与した視覚慣性SLAM用データセットとベンチマークを提案。既存手法が夜間歩行や車移動で頑健でないことを示す。

詳しい要約

1. どんなもの？

- 都市規模のegocentricなvisual-inertial SLAMのための新しいdatasetとbenchmarkを提案した論文 - glasses-like devicesに多様なsensorを搭載し、city centerで数時間・数kmのtrajectoryを記録 - surveying toolsでcontrol pointsを取得し、metricでcentimeter-accurateな間接的pose annotationを実現 - 夜間のwalkingやvehicle移動を含むextreme trajectoryの評価を可能にする - 難易度別のtracksを設計し、未成熟な手法の詳細分析を支援

2. 先行研究と比べてどこがすごい？

- 従来のacademic benchmarkはegocentric特有の課題を反映していない、または十分に正確なground truth posesを提供していないと指摘 - 本benchmarkはcity scaleでmetricかつcentimeter-accurateなcontrol pointsによる間接的pose annotationを提供 - 多様なmotion・viewpoint、dynamic visual content、長時間sessionによるtime-varying sensor calibrationといったegocentricの課題を反映 - 夜間walkingやvehicle移動などextreme trajectoryの評価が可能 - state-of-the-artなacademic systemsがこれらの課題にrobustでないことを示し、原因となるcomponentsを特定

3. 技術・手法の肝は？

- glasses-like devicesに各種sensorを搭載しegocentric multi-modal dataを収集 - surveying toolsを用いてcontrol pointsを取得し、間接的なpose annotationとして利用 - annotationはmetricでcentimeter-accurateかつcity scaleで利用可能 - 難易度の異なるtracksを設計し、段階的な分析・評価を可能にする - 詳細な手法の肝は要旨からは不明

4. どうやって有効だと検証した？

- 夜間walkingやvehicle移動を含むextreme trajectoriesで評価を実施 - state-of-the-artなacademic systemsがこれらの課題にrobustでないことを示した - 課題の原因となるcomponentsを特定した - 難易度別tracksにより未成熟なapproachの詳細分析・評価を可能にした - 定量的な評価指標や具体的実験設定は要旨からは不明

5. 議論はある？

- academic researchがegocentricの課題を反映しないbenchmarkに依存している点を問題提起 - 既存benchmarkのground truth posesの精度不足を指摘 - state-of-the-art systemsのrobust性の欠如とその原因componentsを議論 - 難易度別tracksによる未成熟手法の評価の重要性を示唆 - 具体的な議論の詳細や限界は要旨からは不明

6. 次に読むべき論文は？

- 要旨で参照/比較されている具体的な先行研究名は記載なし - 同分野の定番としてvisual-inertial SLAMの代表的手法（例: ORB-SLAM3, VINS-Mono, OKVISなど）やegocentric SLAM関連benchmark（例: TUM VI, EuRoC）を次に読む候補として挙げる - 本benchmarkのdataset/benchmark公開先（https://www.lamaria.ethz.ch）に関連する論文も候補

※ 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: Anusha Krishnan, Shaohui Liu, Paul-Edouard Sarlin, Oscar Gentilhomme, David Caruso, Maurizio Monge, Richard Newcombe, Jakob Engel, Marc Pollefeys

分類: cs.CV, cs.RO

原文アブストラクト

Precise 6-DoF simultaneous localization and mapping (SLAM) from onboard sensors is critical for wearable devices capturing egocentric data, which exhibits specific challenges, such as a wider diversity of motions and viewpoints, prevalent dynamic visual content, or long sessions affected by time-varying sensor calibration. While recent progress on SLAM has been swift, academic research is still driven by benchmarks that do not reflect these challenges or do not offer sufficiently accurate ground truth poses. In this paper, we introduce a new dataset and benchmark for visual-inertial SLAM with egocentric, multi-modal data. We record hours and kilometers of trajectories through a city center with glasses-like devices equipped with various sensors. We leverage surveying tools to obtain control points as indirect pose annotations that are metric, centimeter-accurate, and available at city scale. This makes it possible to evaluate extreme trajectories that involve walking at night or traveling in a vehicle. We show that state-of-the-art systems developed by academia are not robust to these challenges and we identify components that are responsible for this. In addition, we design tracks with different levels of difficulty to ease in-depth analysis and evaluation of less mature approaches. The dataset and benchmark are available at https://www.lamaria.ethz.ch.

arXivで原文を読む →arXiv概要ページ

都市規模での一人称視点視覚慣性SLAMベンチマーク

詳しい要約

1. どんなもの？

2. 先行研究と比べてどこがすごい？

3. 技術・手法の肝は？

4. どうやって有効だと検証した？

5. 議論はある？

6. 次に読むべき論文は？

原文アブストラクト

関連論文

今週よく読まれている記事

OZ GAMING（GPU搭載BTOゲーミングPC）

双腕モバイルマニピュレーター OpenShell