LiDARの反射強度を活用したキューブマップベースのLiDAR慣性オドメトリ

LiDAR の反射強度を活用したキューブ マップベースの LiDAR 慣性オドメトリ パナソニックアドバンストテクノロジー 株式会社 劉 陽 第31 回ロボティクスシンポジア 2026 年3月17 日 北海道函館市 湯の川温泉 花びしホテル アドバンストテクノロジー

@mobi 背景 2

背景 LiDAR -SLAM(odometry) @mobi ： LiDARを用いて、自己位置推定＆地図作成する技術 FAST-LIO2 has a big drift in tunnel! 構造物が豊富な環境で有効 一方、 構造物が少ない 環境では推定が困難（ 縮退現象と 呼ぶ） 3

提案デモ @mobi Our CUBE -LIO works perfectly! 4 LiDAR のみ、 縮退環境に強いSLAM提案

@mobi 提案手法 5

提案手法 @mobi CUBE -LIO : LiDAR幾何情報と 反射強度情報の共同最適化することで、 縮 退環境における 最先端（ SOTA） の精度を達成 強み： 〇意図的に設置された 反射物に頼らず 、 自然物のみ利用 〇LiDARのスキャン 方式に非依存 (非反復走査/回転走査) 〇低スペックの CPU のみでリアルタイム 処理が可能 Intensity cubemap 新規性： ① Cubemap ベースの 画像投影手法を LiDAR-SLAMへ導入 ② Semi -dense 特徴選択と IGM 不変性に基づく 直接最適化 6 Semi-dense Features

構成概要 @mobi グレー：幾何学情報処理部 水色： 光度情報処理部 システム 構成： ガウシアン・ニュートン arg min 𝐱෤ 7 [Liu, Trans SICE, 2024] 法による 共同最適化 𝐱෤ + ෍ 𝐳i,pho + 𝐇i,pho 𝐱෤ + ෍ 𝐳i,geo + 𝐇j,geo 𝐱෤ i=1 𝑗=1 反射強度による光度最適化 部分(主な貢献 )のみ説明

提案手法： 点群投影 Step 1: 画像投影 LiDARの反射強度の従来の活用方法・ その課題 8 @mobi

点群投影（課題） 強度情報の利用法 ・ 直接利用（ 顕著点を直接 3D空間でマッチング ) @mobi 正距円筒図法 投影式： 𝜃 = 𝐚𝐭𝐚𝐧𝟐(y, x) 𝜙 = 𝐚𝐫𝐜𝐬𝐢𝐧 𝑧 𝑥2 + 𝑦2 + 𝑧2 e.g. IGE-LIO [Chen+, IEEE TIM, 2024] △ 空間解像度に依存、 微細特徴不向き ・反射強度を 2D画像へ投影（ V-SLAM類似） e.g. COIN -LIO [Pfreundschuh +, ICRA, 2024] 正距円筒図法 サンプリング 点が高緯度エリアに 集中 〇 微細な特徴を 利用できる 〇 実績のある Visual -SLAMのパイプラインを 参考 引き伸ばされた特徴 • 正距円筒図法を 利用することが 主流 △ 計算量大(三角関数計算コストが高い ) △ LUT利用、不規則走査 LiDARを非対応 Equirectangular Projection of LiDAR Points △ 極部の投影歪みが大（最適化精度低下） 9 2D画像へ投影を採用、 課題を改善できる投影手法 を提案

点群投影（提案） @mobi CG/CV分野で使われている cubemap を LiDAR SLAMに導入 [Greene, IEEE CG&A, 1986] 計算が極めてシンプル： 立方体の6つの面に投影 引き伸ばされた特徴 Cubemap 提案 条件分岐、四則演算のみ 正距円筒図法 (Equirectangular ) △ 極部の投影歪みが大 △ 計算量大 △ 非回転式、低密度 LiDARは非対応 IDW 補間前 10 projection COIN -LIO [Pfreundschuh + ICRA 2024] 〇 極部の投影歪みが小 〇 計算量小 〇 非回転, 低密度 対応 IDW 補間後 低密度LiDARも有効

点群投影（比較） @mobi 投影手法の比較 (観点： 計算量、 歪み改善、 使いやすさ ) 正距円筒図法 HEALPix (ヒールピクス ) Cubemap 投影 緯度と経度 で投影 厳密に等面積で投影 立方体の6面に投影 ◎ 画像処理しやすい (通常画像) ◎ 厳密に歪みなし 〇 歪みがすくない △ 極部の投影歪みが大 △画像処理しにく (opencv 不可) 〇 画像処理しやすい (opencv 可) △ 投影の計算量大 △ 投影の計算量大 〇 投影計算量少 Gorski+, ApJ, 2005 11 Greene, CG&A, 1986 Cubemap 投影が本研究の目的に最も適していると判断

提案手法：特徴 Step 2: 特徴抽出とマッチング Cubemap からどうやって 、 特徴抽出するか ？ 12 @mobi

特徴抽出 @mobi 反射強度のノイズに対処するため、 IGM 画像から Semi -dense な特徴選択を提案 強度変化の大きさ 反射強度画像 特徴点 intensity gradient magnitude Cube Intensity image y 方向 Cube IGM image ガウシアン微分 フィルタを適用 メリット 13 ： high response 点を 全部選出(Semi -dense) 特徴点： 3次元座標、 IGM 値を算出 〇 低周波情報を削除 (e.g., 入射角度に起因) 〇 数が多い、外乱に強い 〇 高周波のエッジ、テクスチャを保持 〇 実装が容易 ノイズ画像から、 有効情報を効率的な抽出 を実現

提案手法：光度最適化 Step 3: 光度最適化 特徴点を 用いて 、 光度最適化をどうやって 実施？ 14 @mobi

最適化計算 @mobi 光度残差最適化： 新しいフレームに 対して ， 抽出された 特徴点を IGM 画像に投影、 再投影誤差を 最小化することにより 、 最適な自己位置を 推定 再投影残差式： 誤差のヤコビアン （連鎖律を適用） 𝑧𝑖,pho = M Π T -1 𝐱, 𝐵 𝒑𝑖 画素値(IGM) 差分 cube 投影 特徴点 ( IGM 不変性に基づく ) 座標変換 𝜕M 𝐮ഥ𝑖 𝜕Π(𝐵 𝐩𝑖 ) 𝜕T -1 𝐱, G 𝐩𝑖 𝐇𝐢,pho = 𝜕𝐮𝑖 𝜕 𝐵 𝐩𝑖 𝜕𝐱 画像の勾配 − 𝑚𝑖 幾何学特徴と 同様 cube 投影の勾配： 条件分岐と四則演算のみで 可能(高速) 面を跨ぐ手法を提案 15 光度残差＋幾何学残差で最終的に自己位置算出可能

@mobi 実験 16

ENWIDE Dataset 実験 @mobi ENWIDE LiDAR Inertial Dataset ⚫ ⚫ ⚫ ⚫ 17 [Patrick+ ICRA 2024 ] 縮退環境での性能評価の目的で設計（ e.g. トンネル 、 滑走路、 荒地） 反射強度の特徴も 弱いシーンあり 激しい 運動あり (indicated by “d ”) LiDAR: ouster -OS1-128 (回転式) トンネル （進行方向特徴なし） 滑走路（水平方向特徴なし） 荒地（反射強度の特徴も弱い ）

ENWIDE Dataset 実験結果 ATE (m) Sequence TunnelS TunnelD IntersecS IntersecD RunwayS RunwayD FieldS FieldD KatzenseeS KatzenseeD Length (m) 激しい運動 252 180 279 388 334 357 233 288 243 177 @mobi FAST-LIO2 COIN -LIO CUBE -LIO [Wu+,RAL 2022] [Patrick+ ICRA 2024] (our) × × 0.400 × × × 0.210 6.973 0.472 0.861 0.796[m] 0.485 0.461 1.757 1.184 3.491 0.200 0.993 0.502 0.678 0.884 0.317 0.163 0.277 0.395 0.655 0.187 0.193 0.201 0.237 Baseline: FAST-LIO 2(反射強度しない ); COIN -LIO (反射強度あり SOTAの精度); CUBE -LIO (our) 18 9/10 のシーケンスで 最も 良い精度、 従来のSOTAを 上回る 精度

ENWIDE Dataset 実験結果 @mobi ENWIDE Dataset ( RunwayD ) FAST-LIO 2 COIN -LIO 19 CUBE -LIO

ENWIDE Dataset 実験結果 @mobi ENWIDE Dataset ( IntersecD ) FAST-LIO2 COIN -LIO 20 CUBE -LIO

MARS-LVIG Dataset /FAST-LIVO2 実験 MARS -LVIG Dataset [Zou+ IJRR 2024] FAST-LIVO2 Dataset ⚫ ⚫ ⚫ ⚫ [Zheng+, T -RO, 2025] ドローン空撮 (MARS-LVIG)、手持ち (FAST-LIVO2) LiDAR: Livox -AVIA (非反復走査式) ; カメラあり COIN -LIO非対応、 FAST-LIVO2対応可能(LiDAR -Visual SLAM のSOTA) 幾何学的な縮退あり 空港滑走路（ MARS-LVIG ） 21 @mobi 形状の変化がない壁 (FAST-LIVO2) AVIA スキャンパタン COIN -LIO 非対応

MARS-LVIG Dataset 実験結果 ATE (m) Sequence Length (m) @mobi FAST-LIO2 FAST-LIVO2 CUBE -LIO [Wu+, RAL, 2022] [Zheng+, T -RO, 2025] (our) Kairport03 1,828 0.785 2.163 0.776 HKairport GNSS03 1,985 0.860 0.690 0.322 HKisland03 1,900 0.553 0.535 0.636 HKisland GNSS03 1,955 0.624 0.455 0.344 AMtown03 3,099 2.314 2.214 2.095 2,729 17.381 4.207 2.355 Featureless GNSS02 2,810 12.075 2.533 0.398 Kairport03 1,828 0.785 2.163 0.776 AMvalley03 特徴少ない Baseline: FAST-LIO2 (反射強度しない ); FAST-LIVO2 (LiDAR -visual SOTA の精度); CUBE -LIO (our) 22 7/8のシーケンスで最も良い精度、従来の SOTAを上回る精度

MARS-LVIG Dataset 実験結果 @mobi 高品質な点群 23 MARS -LVIG Dataset (Featureless GNSS 02 )

結果 FAST-LIVO2 dataset (HIT_Graffiti_Wall04) FAST-LIVO 2 SOTA LiDAR –Visual – Inertial Odometry CUBE -LIO FAST-LIVO2より 鮮 明なテクスチャを 確認 Real photo 24 @mobi

まとめ @mobi CUBE -LIO ：幾何情報と 反射強度情報の共同最適化で、 最先端の精度を達成 • LiDAR SLAM にCubemap 投影の導入を提案 • 極部の投影歪みが小 Avg. Time (per frame) • 投影計算および最適化計算の計算量小 FAST-LIO2 COIN -LIO CUBE -LIO • LiDARタイプに非依存 24.1ms 32.1ms 29.5ms • Semi -dense 特徴選択と IGM に基づく直接最適化を提案 • ノイズが多い LiDAR投影画像に強い LiDAR センサーの発展方向： 点群の高密度化、 大FoV化、 反射強度精度改善 • 本技術の将来性 • 大FoV化の技術トレンドに特に有効、今後の引き続き応用展開を実施 25 Wider FOV, denser points. Robosen Airy Fov : 360 °×180 ° パナソニック、 @mapper かんたん 3D 空間スキャナー Hesai JT128 Ouster dome Fov : 360 °×189 ° Fov : 360 °×180 °