LiDAR-慣性オドメトリ2026/3/1arXiv:2603.12904

UAV向けクラスタ-平面拘束を導入した一貫性と効率性を両立するMSCKFベースのLiDAR-慣性オドメトリ

Consistent and Efficient MSCKF-based LiDAR-Inertial Odometry with Inferred Cluster-to-Plane Constraints for UAVs

UAVの厳しいSWaP制約下で、推定の一貫性と計算効率を両立するMSCKFベースのLiDAR-慣性オドメトリを提案。スライディングウィンドウの平面特徴からクラスタ-平面拘束を構築し、ヌル空間投影で特徴パラメータ依存を除去して一貫性を改善、並列ボクセルデータ対応とコンパクトな測定モデルで高速化を実現。

詳しい要約

1. どんなもの？

- UAV向けのconsistentかつefficientなtightly-coupled LiDAR-Inertial Odometry (LIO) フレームワークを提案。 - efficientなMulti-State Constraint Kalman Filter (MSCKF) を基盤とする。 - sliding windowで観測されたplanar featuresからcoplanar constraintsを推定して利用。 - null-space projectionによりstate vector内のfeature parametersへの直接依存を排除。 - parallel voxel-based data associationとcompact cluster-to-plane measurement modelを導入。 - UAVのSWaP制約下での推定不整合と計算ボトルネックに対処。

2. 先行研究と比べてどこがすごい？

- 多くのSOTA LIOはUAV搭載時にestimation inconsistencyとcomputational bottlenecksを抱える。 - 提案法はconsistencyとefficiencyのバランスで多くのSOTAを上回る。 - degenerate scenariosでのrobustnessが向上。 - map-free natureにより最低のmemory usageを実現。 - NVIDIA Jetson TX2などのresource-constrained embedded platformsでreal-time動作。

3. 技術・手法の肝は？

- efficientなMSCKFフレームワークを採用。 - sliding windowで観測されたplanar featuresからcoplanar constraintsを推定。 - null-space projectionをsliding-window coplanar constraintsに適用し、state vector内のfeature parametersへの直接依存を排除。 - これによりoverconfidenceを緩和しconsistencyを改善。 - parallel voxel-based data associationを導入。 - 新規のcompact cluster-to-plane measurement modelを導入。 - このmeasurement modelはobservation dimensionalityをlosslesslyに削減し、update processを大幅に高速化。

4. どうやって有効だと検証した？

- Extensive evaluationsを実施。 - 提案法がconsistencyとefficiencyの優れたバランスを提供し、多くのSOTAを上回ることを示す。 - degenerate scenariosでのrobustness向上を確認。 - map-free natureにより最低のmemory usageを達成。 - NVIDIA Jetson TX2などのresource-constrained embedded platformsでreal-time動作を確認。

5. 議論はある？

- 要旨からは不明。

6. 次に読むべき論文は？

- Multi-State Constraint Kalman Filter (MSCKF) - LiDAR-Inertial Odometry (LIO) のSOTA手法 - null-space projection - voxel-based data association - cluster-to-plane measurement model

※ 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: Jinwen Zhu, Xudong Zhao, Fangcheng Zhu, Jun Hu, Shi Jin, Yinian Mao, Guoquan Huang

分類: cs.RO

原文アブストラクト

Robust and accurate navigation is critical for Unmanned Aerial Vehicles (UAVs) especially for those with stringent Size, Weight, and Power (SWaP) constraints. However, most state-of-the-art (SOTA) LiDAR-Inertial Odometry (LIO) systems still suffer from estimation inconsistency and computational bottlenecks when deployed on such platforms. To address these issues, this paper proposes a consistent and efficient tightly-coupled LIO framework tailored for UAVs. Within the efficient Multi-State Constraint Kalman Filter (MSCKF) framework, we build coplanar constraints inferred from planar features observed across a sliding window. By applying null-space projection to sliding-window coplanar constraints, we eliminate the direct dependency on feature parameters in the state vector, thereby mitigating overconfidence and improving consistency. More importantly, to further boost the efficiency, we introduce a parallel voxel-based data association and a novel compact cluster-to-plane measurement model. This compact measurement model losslessly reduces observation dimensionality and significantly accelerating the update process. Extensive evaluations demonstrate that our method outperforms most state-of-the-art (SOTA) approaches by providing a superior balance of consistency and efficiency. It exhibits improved robustness in degenerate scenarios, achieves the lowest memory usage via its map-free nature, and runs in real-time on resource-constrained embedded platforms (e.g., NVIDIA Jetson TX2).

arXivで原文を読む →arXiv概要ページ

UAV向けクラスタ-平面拘束を導入した一貫性と効率性を両立するMSCKFベースのLiDAR-慣性オドメトリ

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

MINISFORUM（ミニPC）

双腕モバイルマニピュレーター OpenShell