オドメトリ/GNSS融合2026/6/1arXiv:2606.19190

FAST-LIVGO: 縮退に頑健なLiDAR-慣性-視覚-GNSS融合オドメトリ

FAST-LIVGO: A Degeneracy-Robust LiDAR-Inertial-Visual-GNSS Fusion Odometry

長距離・大規模・高ダイナミック環境でのドリフトと縮退に強い、LiDAR・慣性・視覚・GNSSを密に融合したオドメトリを提案。GNSSの高精度観測と縮退認識型の外れ値除去により精度と頑健性を向上。

詳しい要約

1. どんなもの？

- LiDAR-Inertial-Visual-GNSS を密結合した odometry フレームワーク - Error-State Iterated Kalman Filter を基盤とする - 長距離・大規模・高動的環境でのドリフトと退化に対処 - Dynamic Time Warping によるオンライン時空間アラインメントを導入 - Doppler shift と fixed-anchor Time-Differenced Carrier Phase に基づく観測モデル - degeneracy-aware な dual-mode outlier rejection を設計

2. 先行研究と比べてどこがすごい？

- 既存 LIVO は局所精度は高いが長距離でドリフト蓄積、幾何退化や無テクスチャで失敗 - GNSS 支援融合は LiDAR/visual odometry に状態予測と外れ値除去を依存し、odometry 退化時に脆弱 - 提案は GNSS 精度を直接活用し、退化時も GNSS 支援で回復可能 - 履歴アンカー状態を増やさず mm 級相対制約を実現 - 公開 M3DGR と独自 20 m/s 固定翼 UAV データで SOTA を上回る精度・堅牢性

3. 技術・手法の肝は？

- Error-State Iterated Kalman Filter による密結合融合 - Dynamic Time Warping を用いたオンライン時空間アラインメント - Doppler shift 観測モデル - fixed-anchor Time-Differenced Carrier Phase 観測モデル - 履歴アンカー状態を拡張しない設計 - LIVO 退化レベルに応じて LIVO-prior-guided rejection と GNSS-aided recovery を切替える dual-mode outlier rejection

4. どうやって有効だと検証した？

- 公開 M3DGR データセットで評価 - 独自の 20 m/s 固定翼 UAV データセットで評価 - 累積ドリフトと map ghosting の低減を確認 - 精度と堅牢性で state-of-the-art 手法を上回ると報告

5. 議論はある？

- 長距離・大規模・高動的環境でのドリフトと退化が課題 - 既存 LIVO の限界と GNSS 支援融合の脆弱性を指摘 - 提案手法の有効性は示されるが、計算負荷やリアルタイム性、他環境への一般化は要旨からは不明 - 失敗ケースや限界についての議論は要旨からは不明

6. 次に読むべき論文は？

- LiDAR-Inertial-Visual Odometry (LIVO) の代表的手法 - GNSS-aided fusion フレームワーク - Error-State Iterated Kalman Filter を用いた密結合 SLAM/odometry - Dynamic Time Warping を用いた時空間キャリブレーション - Time-Differenced Carrier Phase を用いた GNSS 測位 - M3DGR データセット関連研究

※ 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: Zhiyu Chen, Chunran Zheng, Jiayu Wen, XiaoLei Zhang, Jiaming Xu, Feng Pan, Yukang Cui

分類: cs.RO

原文アブストラクト

Robust state estimation and mapping in long-term, large-scale, and highly dynamic environments remains a key challenge in robotics. Existing LiDAR-Inertial-Visual Odometry (LIVO) systems achieve strong local accuracy but suffer from accumulated drift over long distances and may fail in geometrically degraded or textureless scenes. Meanwhile, GNSS-aided fusion frameworks often rely on LiDAR or visual odometry for state prediction and outlier rejection, making them vulnerable when odometry degenerates. To address these limitations, we propose a tightly coupled LiDAR-Inertial-Visual-GNSS fusion framework based on an Error-State Iterated Kalman Filter. An online spatiotemporal alignment module using Dynamic Time Warping is introduced for highly dynamic conditions. To better exploit GNSS precision, we develop observation models based on Doppler shifts and fixed-anchor Time-Differenced Carrier Phase, providing millimeter-level relative constraints without augmenting historical anchor states. We further design a degeneracy-aware dual-mode outlier rejection strategy that switches between LIVO-prior-guided rejection and GNSS-aided recovery according to the LIVO degeneracy level. Experiments on the public M3DGR dataset and a custom 20~m/s fixed-wing UAV dataset demonstrate that our system reduces accumulated drift and map ghosting, outperforming state-of-the-art methods in accuracy and robustness.

arXivで原文を読む →arXiv概要ページ

← 論文一覧