測定同期と圧縮に伴うIncrementalマッピング

現代の自律走行車両とロボットは、多機能センサーを用いて地点測位とマップ作成を行っています。これらのマップには正確性が必要であり、正確な環境の表現は安定した位置情報化のための前提条件です。グラフファctorはセンサ融合に対して優れた解決策を提供し、最大後行確率解を推定する能力があります。しかし、グラフベースの表現法の離散性とスケンソーメーカー間隔した測定が結合状態の推定に取り組むのが難しいことがわかっています。これらを解決するために新しい手法が提案されています。これは繋ぐファctorグラフの構造を間接的に構築し、外部評価基準に基づいて最適なグラフ解釈法を選択することによって、すべての可用センサデータを反映させます。その結果として推奨された手法は、 conventional トレーディングと類似の結果を維持しつつ平均 ~30% のノード数を減らすことが可能だと言えます。

arXiv:2602.07901v1 Announce Type: cross Abstract: Modern autonomous vehicles and robots utilize versatile sensors for localization and mapping. The fidelity of these maps is paramount, as an accurate environmental representation is a prerequisite for stable and precise localization. Factor graphs provide a powerful approach for sensor fusion, enabling the estimation of the maximum a posteriori solution. However, the discrete nature of graph-based representations, combined with asynchronous sensor measurements, complicates consistent state estimation. The design of an optimal factor graph topology remains an open challenge, especially in multi-sensor systems with asynchronous data. Conventional approaches rely on a rigid graph structure, which becomes inefficient with sensors of disparate rates. Although preintegration techniques can mitigate this for high-rate sensors, their applicability is limited. To address this problem, this work introduces a novel approach that incrementally constructs connected factor graphs, ensuring the incorporation of all available sensor data by choosing the optimal graph topology based on the external evaluation criteria. The proposed methodology facilitates graph compression, reducing the number of nodes (optimized variables) by ~30% on average while maintaining map quality at a level comparable to conventional approaches.