日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

SLAMarXiv:2609.18819

SEAM: 軌道変形下での生涯LiDARマッピングのためのサブマップアンカー証拠

SEAM: Submap-Anchored Evidence for Lifelong LiDAR Mapping under Trajectory Deformation

シェア:XThreadsFacebookLINEはてブBluesky

サブマップ単位のアンカーで軌道を最適化し、動的物体除去と変化検出を行う生涯LiDARマッピング手法を提案。軌道が後から修正されても証拠を再利用でき、信頼度に基づくループエッジ抑制と方向別ボクセル証拠モデルで高精度・高速化を実現した。

詳しい要約

1. どんなもの?

LiDARを用いたlifelong mappingフレームワークSEAMを提案する。単一のanchorに依存せず、submap-level anchorで最適化したtrajectoryに基づきevidenceを生成し、dynamic object removalとchange detectionを行う。submap-level reprojectionにより、新sessionでtrajectoryが変更されてもevidenceを再利用でき、全体を再計算する必要がない。

2. 先行研究と比べてどこがすごい?

従来はsession全体を覆う単一anchorに依存していたが、SEAMはsubmap-level anchorでevidenceを生成する。trajectory変更後もevidenceが使え、再計算不要。DOP-based confidenceで幾何的に信頼できないinter-session loop edgeを抑制しalignment errorを防ぐ。directional voxel-wise evidence modelでray方向依存のoccupancyを扱い、dynamic objectと環境変化をより精密に分離する。

3. 技術・手法の肝は?

trajectoryをsubmap-level anchorで最適化し、submap-level reprojectionでevidenceを生成する。DOP-based confidence measureで信頼できないinter-session loop edgeを抑制する。directional voxel-wise evidence modelでray方向に依存するoccupancy patternを考慮し、dynamic objectと環境変化を分離する。

4. どうやって有効だと検証した?

実construction-site datasetと長期multi-session datasetでの実験により、既存手法より高い精度と高速な処理を達成することを示した。

5. 議論はある?

要旨からは不明。

6. 次に読むべき論文は?

要旨で参照/比較されている研究は明示されていない。同分野の定番として、lifelong LiDAR mappingやdynamic object removal、change detectionに関する手法(例: SLAM-based lifelong mapping, occupancy mapping)を挙げる。

※ 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: Kyuwon Kim

分類: cs.RO

原文アブストラクト

We propose SEAM, a LiDAR-based lifelong mapping framework. Instead of relying on a single anchor spanning the entire session, SEAM generates evidence based on a trajectory optimized with submap-level anchors, and performs dynamic object removal and change detection. Through submap-level reprojection, the generated evidence remains usable even if the trajectory is subsequently modified by a new session, eliminating the need to recompute the entire process from scratch. SEAM suppresses geometrically unreliable inter-session loop edges using a DOP-based confidence measure. Suppressing unreliable loop edges prevents alignment errors. SEAM also uses a directional voxel-wise evidence model. The model accounts for occupancy patterns that vary with ray direction. Direction-aware evidence separates dynamic objects from environmental changes more precisely. Experiments on a real construction-site dataset and a long-term multi-session dataset show that SEAM achieves higher accuracy and faster processing than existing methods.

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. 2GXO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
  3. 3newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

FRONTIER(GPU搭載BTOパソコン)

FRONTIER(GPU搭載BTOパソコン)の公式広告バナーFRONTIERでGPU搭載PCを見る ↗
PR本紙発行元 EmplifAI