Xiaoji Niu
収録論文 22本 ・ フィジカルAI/ロボット学習
※arXiv著者名で収集。同姓同名の別人の論文が含まれる場合があります。
論文
- DINS-IO: 微分可能なINS整合性による学習型慣性オドメトリ慣性オドメトリ/自己教師あり学習2026/7/1
位置ラベルなしでIMU生データから慣性オドメトリを学習する手法を提案。ストラップダウンINSの速度再帰を微分可能な整合性制約として自己教師あり損失に用い、少数のラベルで較正する。
- PA-LVIO: ポーズのみのバンドル調整によるリアルタイムLiDAR-視覚-慣性オドメトリとマッピングオドメトリ/マッピング2026/3/1
LiDAR・カメラ・IMUを統合したリアルタイムオドメトリ・マッピング手法を提案。ポーズのみのバンドル調整とフレーム間・フレーム対マップの制約を組み合わせ、高精度かつ効率的な自己位置推定と高品質なRGB点群地図構築を実現した。
- 自転車測位のためのMoEベース学習型慣性オドメトリ慣性オドメトリ2025/10/1
マルチライダー・多路面のIMUデータで学習した速度予測器をEKFと密結合し、疎ゲート型Mixture of Expertsで計算量を抑えつつ高精度な自転車測位を実現した。
- i2Nav-Robot:屋内・屋外対応の大規模マルチセンサ融合ナビゲーション用ロボットデータセットナビゲーション2025/8/1
全方位移動車両にLiDAR・4Dミリ波レーダー・ステレオカメラ・IMU・GNSS・車輪オドメトリを搭載し、屋内駐車場から屋外街路まで約17kmの走行データを高精度な正解位置とともに収録した大規模データセットを構築した。
- 磁気アレイ支援慣性オドメトリのための多状態制約拡張カルマンフィルタ屋内測位/磁気慣性オドメトリ2025/5/1
磁気センサアレイで観測した磁場変化と慣性航法を多状態制約拡張カルマンフィルタで融合し、低コストで高精度な屋内自己位置推定を実現した。
- SELC: 低品質画像のための自己教師あり効率的局所対応学習特徴マッチング2025/4/1
手動アノテーション不要のハイブリッド自己教師あり学習で、低品質画像でも高解像度時に2〜10倍効率的な軽量特徴マッチングネットワークを提案。
- DogLegs: 脚部搭載IMUを用いた脚ロボットのロバスト固有受容状態推定状態推定2025/3/1
脚に複数のIMUを装着し、体幹IMU・関節エンコーダと拡張カルマンフィルタで融合することで、脚ロボットの状態推定精度を向上させる手法を提案した。
- Wheel-GINS: 車輪搭載IMUを用いたGNSS/INS統合航法システムGNSS/INS統合測位2025/1/1
車輪に取り付けたIMUとGNSSを拡張カルマンフィルタで統合し、GNSS遮蔽時でも長期的に高精度な自己位置推定を実現するシステムを提案した。
- MR-ULINS: マルチエポック外れ値除去を備えたUWB-LiDAR-慣性の密結合推定器測位・SLAM2024/8/1
UWB・LiDAR・IMUを密結合し、UWBの系統誤差とNLOS外れ値をオンラインで推定・除去することで、GNSS拒否環境で約0.1mの高精度測位を実現した。
- MSC-LIO: 同一平面クラスタ追跡を用いたMSCKFベースのLiDAR慣性オドメトリLiDARオドメトリ2024/7/1
MSCKFフレームワークに基づく密結合LiDAR慣性オドメトリを提案し、同一平面クラスタ追跡による効率的なデータ対応と時間遅延推定を実現した。
- BA-LINS: LiDAR慣性ナビゲーションのためのフレーム間バンドル調整SLAM/ナビゲーション2024/1/1
LiDARキーフレーム間で同一平面上の点を対応付け、フレーム間バンドル調整とIMUプリインテグレーションを因子グラフ最適化で統合したLiDAR慣性ナビゲーション手法を提案し、適応的共分散推定により精度と効率を向上させた。
- SE-LIO: 樹木の多い環境向け意味論強化型ソリッドステートLiDAR慣性オドメトリLiDARオドメトリ2023/12/1
樹木の多い環境でLiDARと慣性センサを統合し、意味論情報で葉や動的物体を除去し、幹を円柱モデル化することで位置推定精度を43.1%向上させた。
- FF-LINS: 一貫性のあるフレーム間ソリッドステートLiDAR慣性状態推定器SLAM/状態推定2023/7/1
ソリッドステートLiDARの非反復走査を活かし、フレーム間データ対応と因子グラフ最適化でLiDAR-IMUの外部キャリブレーションと時間遅延をオンライン推定する一貫性の高い状態推定手法を提案。
- PO-VINS: LiDAR強化による効率的でロバストな姿勢のみの視覚慣性状態推定器VIO2023/5/1
視覚とLiDAR深度の計測を姿勢のみの表現で扱い、LiDAR外れ値除去とマルチステート制約を導入した高効率・高精度な視覚慣性状態推定手法を提案。
- DynaVIG: 動的環境におけるAGV向け単眼視覚/INS/GNSS統合ナビゲーションと物体追跡ナビゲーション2022/11/1
単眼カメラ・慣性航法・GNSSを統合し、動的環境でAGVの自己位置と物体姿勢を高精度に推定するシステムを提案。スケール推定と運動モデルにより複雑な動きの物体追跡も改善。
- Wheel-SLAM: 単一の車輪搭載IMUによる自己位置推定と地形マッピングSLAM2022/11/1
車輪に取り付けた1つのIMUのみを用いて、路面のバンク角を地形特徴としてループ閉じ込みを行い、SLAMを実現する手法を提案した。
- 車輪ロボット向けINS中心の堅牢なリアルタイムGNSS-視覚-慣性ナビゲーションシステムGNSS-視覚-慣性融合2022/4/1
IMUを中心に据え、視覚処理の全工程で慣性情報を活用しつつGNSSで初期化と絶対位置推定を行う、車輪ロボット向けの堅牢なリアルタイム自己位置推定システムを提案した。
- 地球自転を考慮したIMUプリインテグレーションの精度検証GNSS/INS統合2021/9/1
地球自転を組み込んだ精密なIMUプリインテグレーションモデルを構築し、GNSS/INS統合で従来の粗いモデルより大幅に高精度であることを定量的に示した論文。
- OdoNet: 車輪式オドメータなしで車両ナビゲーションを支援する非拘束速度推定GNSS/INS統合ナビゲーション2021/9/1
単一のIMUからCNNで疑似オドメータ(前進速度)を推定し、GNSS/INS統合ナビの精度を車輪式オドメータに近い水準まで改善する手法を提案した論文。
- 車輪装着MEMS IMUを用いた自律測位のための3つの計測モデルの比較測位・ナビゲーション2020/12/1
車輪に取り付けたMEMS IMUでオドメータを代替する自律測位システムにおいて、速度・変位増分・接地点ゼロ速度の3つの計測モデルを誤差状態EKFで比較し、実地試験で同等の性能を示した論文。
- Wheel-INS2: 複数MEMS IMUを用いた車輪ロボットのデッドレコニングとIMU配置の評価デッドレコニング2020/12/1
車輪に取り付けたIMUと車体の複数IMUを分散拡張カルマンフィルタで統合し、相対位置制約を利用して車輪ロボットの自己完結型デッドレコニングの精度とロバスト性を向上させた研究。
- 車輪搭載MEMS IMUによるデッドレコニングシステムデッドレコニング2019/12/1
車輪中心にMEMS IMUを取り付け、ジャイロ出力から車輪速度を推定してオドメトリの代わりに使い、さらに車輪回転でバイアス誤差を相殺することで、従来のオドメトリ支援INSより高精度なデッドレコニングを実現した。
