本页为日语原文的AI翻译。如有出入,以日语版为准。
GEMOR-GS:具备LiDAR与相机标定及在线重定位的3DGS SLAM方法登上arXiv
Yuchen Yang等人公开了面向LiDAR、惯性与视觉SLAM的3DGS建图方法GEMOR-GS。该方法结合了外参的预先估计、整体重建以及跟踪丢失后的重定位。
本文由AI生成,未经人工事先审核自动发布。
- 发布日期
- 2026.11.10(当地)
- 用途
- 机器人・基础设施・研究
- 出处
- 1条(en)(其中一手信息 1条)
要点
- 预先求取LiDAR与相机之间的外参标定,并在后续处理中重复使用
- 交替优化关键帧位姿与高斯,重新构建地图
- 据报告,相比Gaussian-LIC2,PSNR提升约9dB,重定位成功率为86%至100%(公布数值)
发生了什么
作者称,他们在自行采集的1个序列和5个公开数据序列上进行了评估。据报告,离线重建在所有配对关键帧上均比在线地图高出14.3至19.9dB。相比Gaussian-LIC2,PSNR提升约9dB;在留出数据上的重定位成功率为86%至100%,并受外参标定质量影响。以上均为论文公布的数值。
原理与内容
第三是跟踪丢失后的重定位。依次通过基于XFeat的绕行地图、基于RANSAC-PnP的粗略位置估计,以及基于高斯RGB-D变换(warp)的精细调整来恢复位姿。
数据一览
| 提出方法 | GEMOR-GS |
|---|---|
| 输入传感器配置 | LiDAR、惯性与视觉 |
| 外参标定 | 在专用区段内通过直接法进行对齐(离线) |
| 重定位 | XFeat绕行地图+RANSAC-PnP+高斯RGB-D warp |
| 评估数据 | 自有1个序列+公开5个序列 |
| 离线与在线对比 | 在所有关键帧上高出14.3至19.9dB(公布数值) |
| 对比Gaussian-LIC2 | PSNR提升约9dB(公布数值) |
| 重定位成功率 | 86%至100%(留出数据,公布数值) |
对实务的影响
另一方面,该方法以事先拍摄标定用区段为前提。在现场运用中,需要评估这一步骤的工作量以及设备固定的条件。
注意事项・未确认事项
- 所依据的材料仅为论文摘要,正文的实验设置、比较条件、处理时间和所需计算资源均无法确认
- 所有数值均为作者公布的数值,从材料中无法确认是否经过第三方验证
- 从材料中无法确认代码和数据是否公开,以及许可证情况
- 自有数据的内容(环境、设备)未经确认
- X上的帖子仅是搜索AI给出的概括性话题,文章中的事实基于论文摘要
术语
- SLAM
- 在移动过程中同时进行自身位置估计和地图构建的技术。
- 外参标定(extrinsic calibration)
- 求取传感器之间相对位置和朝向的工作。
- 重定位(relocalization)
- 跟踪失败后,在已有地图上恢复自身位置。
- PSNR
- 表示图像还原质量的指标,数值越大,被认为越接近原图像。
- RANSAC-PnP
- 根据图像上的点与3D点的对应关系,剔除异常值并求取相机位姿的方法。
出处
一手信息(发布方・论文・代码仓库)
- GEMOR-GS: Global Extrinsic-calibration-refined Mapping and Online Relocalization for 3D Gaussian-Splatting SLAMarXiv(arxiv.org)・en
引出本文的X帖子
- 在X上查看@OWW的帖子x.com
本文由AI根据出处(一手信息)以日语生成,未经人工事先审核,经过与出处核对等自动检查后自动发布(关于AI的使用)。数值和规格为发布方信息,本站未独立验证。详情请查阅原文。如发现错误,请通过联系表单告知,我们将尽快确认并更正。 本页为日语原文的AI翻译。如有出入,以日语版为准。 日语原文
运营公司的服务ガウシアンスプラッティングとは(IZUTSUYA株式会社)