arXiv:2606.28475v1 cs.RO

Improvement of Robot's Simultaneous Localization and Mapping Using an Effective Transformation to Achieve Linear Model

Seyed Farzad Bahreinian, Maziar Palhang, Mohammad Reza Taban, Hasan Enami Eraghi

제출 2026-06-26

원문 초록

Nowadays mobile robots have wide engineering applications. Simultaneous localization and mapping (SLAM) is an important task of these robots. The major and common algorithms used for this task are based on extended Kalman filter (EKF). One of the main problems in EKF-based SLAM is its divergence. The nonlinearity of motion and observation models and linearization error are the main reasons for the divergence. There have been some efforts to address this problem with limited success. In this paper, by applying a simple compass and using an effective transformation, we transform the non-linear state space model into a linear model. Then, by applying the original KF to this model, we reach a new method, which is called LMKF SLAM. We show that the LMKF SLAM is significantly superior to the state-of-the-art methods, especially EKF-based SLAMs, both in accuracy, convergence, and computational complexity. The proposed method is also more stable with respect to the uncertainty of sensors values and changes in system parameters. Experimental results verify these points.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2606.28475v1제출 시각 미확인

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2607.05663v1cs.RO공통 태그 Autonomous Vehicles, State Estimation, kalman filter

온보드 센서를 활용한 고유감각적 차량 측위를 위한 물리 정규화 머신러닝

Physics-Regularized Machine Learning for Proprioceptive Vehicle Localization Using Onboard Sensors

정확하고 강건한 측위(localization)는 실제 환경의 자율 이동 시스템에 필수적이다. 관성 측정 장치(IMU) 데이터와 위성 기반 보정 신호를 융합하면 정밀한 차량 자세(pose) 추정이 가능하지만, 신호 중단 시 성능이 크게 저하된다. 최근 연구들은 머신러닝(ML)이 IMU 기반 고유감각적 측위를 향상시킬 수 있음을 보이며, 양산 차량에 기본 탑재된 온보드 센서의 활용 가능성을 강조하고 있다. 본 논문은 측위를 위한 물리 정규화 머신러닝(PRML2, Physics-Regularized Machine Learning for Localization)을 소개한다. PRML2는 칼만 필터링과 데이터 기반 학습의 상호 보완적 강점을 결합하여 온보드 센서만으로 차량 자세를 직접 추정하는 하이브리드 프레임워크이다. PRML2의 핵심은 미분 가능한 칼만 필터를 통한 ML 모델의 엔드-투-엔드 학습으로 구현되는 물리 정규화 학습이다. 이를 통해 차량 운동 모델과의 일관성이 개선되어 측위 정확도와 다양한 주행 조건에서의 일반화 성능이 모두 향상된다. 공개 데이터셋에서 ML 기반 온보드 오도메트리(odometry)의 성능 한계를 평가한 결과, PRML2가 우수한 측위 정확도를 달성하고 실시간 처리 능력을 갖춤을 보인다. 또한 본 연구는 저마찰 조건에서의 차량 측위 연구를 지원하기 위한 새로운 데이터셋을 소개한다. 제안된 프레임워크는 물리 기반 사전 정보(physics-based priors)와 학습을 통합함으로써 센서 성능이 저하된 조건에서도 강건하고 비용 효율적인 차량 측위 솔루션을 제공한다.

arXiv:2607.12818v3cs.CV공통 태그 Autonomous Vehicles, slam

Breaking D\'ej\`a Vu: Independent Auditing of Visual Place Recognition through Vision-Language Reasoning

시각적 장소 인식(VPR)은 동시 위치추정 및 지도작성(SLAM)을 위한 루프 클로저 탐지와 같이 로봇 공학 응용에서 정확한 위치 추정과 장기 자율 주행을 가능하게 하는 핵심 기술이다. 그러나 실제 환경에서의 VPR 배포는 정밀도와 재현율의 균형을 맞추는 이미지 매칭 임계값 선택에 의존한다. 이러한 임계값은 일반적으로 라벨이 붙은 검증 데이터로 조정된 뒤 배포 시 고정되므로, 정답(ground truth)을 사용할 수 없는 환경 변화 하에서는 신뢰할 수 없다. 이는 거짓 루프 클로저를 수용하면 추정 궤적과 지도가 손상될 수 있는 안전이 중요한 로봇 공학에서 특히 문제가 된다. 본 연구에서는 쿼리 이미지와 후보 이미지에 대해 공동으로 추론하여 검색된 매칭을 평가하기 위해 비전-언어 모델(VLM)을 활용하는, 검색 후 독립 검증 프레임워크인 Visual Place Recognition Auditing을 제안한다. 기존 검증 방법과 달리, 본 접근법은 아키텍처별 신뢰도 측정, 데이터셋 의존적 임계값, 또는 배포 환경에 대한 사전 지식 없이 인스턴스 수준 검증을 수행한다. 우리는 5가지 최신 VPR 방법과 4개의 VLM을 사용하여 6개 벤치마크 데이터셋에서 방법을 평가했다. 결과는 VLM 기반 감사가 최신 방법 대비 평균 recall@1을 13.6% 향상시키면서 거짓 수용률을 12%로 낮추고, 정밀도 95% 이상과 커버리지 75% 이상을 유지함을 보여준다.

arXiv:2607.21416v1cs.RO공통 태그 Autonomous Vehicles, slam

GLAM-SLAM: 흐름 밀집화 및 공간 분해를 통한 실시간 가우시안 대규모 매핑

GLAM-SLAM: Real-time Gaussian Large-scale Mapping via Flow Densification and Spatial Decomposition

기존 가우시안 스플래팅(Gaussian Splatting) 기반 단안 동시 위치 추정 및 지도 작성(SLAM) 시스템은 짧은 시퀀스에 특화되어 있거나 실시간이 아니거나, 과도한 GPU 메모리 요구로 인한 문제가 있어 현실적인 장기 시나리오에서의 적용이 제한된다. 이를 해결하기 위해, 대규모 실외 장면을 위해 설계된 실시간 분리형(decoupled) 가우시안 스플래팅 SLAM 시스템인 GLAM-SLAM을 제안한다. 견고한 특징(feature) 기반 SLAM 프론트엔드를 사용하여 경량 추적을 보장하고, 매핑에서는 구조화된 희소 앵커 그리드 표현을 채택하여 확장 가능한 동작을 보장하고 장기 시퀀스에 걸친 장면 일관성을 유지한다. 3D 가우시안 스플래팅(3DGS)의 밀집 초기화(initialization) 요구사항을 충족하기 위해, 에피폴라(epipolar) 제약을 사용하는 기하학 기반 흐름 밀집화(flow-densification) 앵커링 전략을 도입한다. 또한 매핑을 다중 장면(multi-scene) 문제로 취급하여, MLP 초기화를 통해 강한 공간적 귀납 바이어스(bias)를 도입하여 국소화된 가우시안을 생성하는 장면 분할(scene-partitioning) 전략을 제안한다. 도전적인 장시퀀 KITTI Odometry, Oxford RobotCar, M'alaga 데이터셋에서 시스템을 평가한다. 광범위한 ablation 및 비교를 통해 두 번째로 우수한 방법 대비 재구성 품질에서 15% 향상을 보이면서, 실시간 성능과 더 긴 시퀀스로 확장 가능한 능력을 유지함을 입증한다. 코드는 커뮤니티를 위해 공개되어 있다.

arXiv:2607.09103v1cs.CV공통 태그 Autonomous Vehicles, State Estimation

이벤트 카메라를 이용한 고성능 이미지 추적을 위한 등변 필터

Equivariant Filter for High Performance Image Tracking using an Event Camera

이미지 추적은 장면의 움직이는 이미지와 원본 참조 이미지 사이의 변환을 추정하는 문제입니다. 이 문제는 이미지가 카메라나 환경의 움직임에 관한 정보를 인코딩하는 자율 주행 차량 또는 로봇 제어에서 중요하며, 순수한 컴퓨터 비전(CV) 응용에서도 중요합니다. 본 논문에서는 이벤트 카메라를 사용하여 평면 이미지 변환을 고성능으로 추적하기 위한 등변 필터(equivariant filter) 설계를 제안합니다. 이 설계는 원시 이벤트 스트림에서 특징(feature) 위치 측정값을 추출하기 위해 비동기 이벤트 블롭(Asynchronous Event Blob, AEB) 트래커(Wang et al., 2024)를 활용하고, 특수 유클리드 군(special Euclidean group) 대칭성을 이용한 등변 필터로 아핀 이미지 이동 및 회전을 계산합니다. 등변 필터는 AEB 트래커가 제공하는 (시간적 상관관계가 매우 높은) 특징 위치 측정값의 상관관계를 제거하는 등가 측정 업데이트(equivalent-measurement update) 단계를 포함합니다. 우리는 일반 운동 및 빠른 회전 운동을 포함하는 두 가지 데이터셋을 사용하여 설계를 실험적으로 평가합니다. 결과는 직접 최적화(원시 블롭 트랙에서 상대 변환을 추정하는 방식) 및 데이터 상관관계 극복을 위한 공분산 교차(covariance intersection) 접근법과 벤치마크합니다. 본 설계는 이미지 평면에서 초당 최대 7,000픽셀로 이동하는 특징에 대해 부드러운 이미지 추적을 제공합니다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.