論文の概要: Exploration of Indoor Environments Predicting the Layout of Partially
Observed Rooms
- arxiv url: http://arxiv.org/abs/2004.06967v1
- Date: Wed, 15 Apr 2020 09:28:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-13 04:07:41.541011
- Title: Exploration of Indoor Environments Predicting the Layout of Partially
Observed Rooms
- Title(参考訳): 部分観測室の配置予測のための室内環境の探索
- Authors: Matteo Luperto, Luca Fochetta, Francesco Amigoni
- Abstract要約: 自律移動ロボットが、当初未知の屋内環境の地図を段階的に構築する探索作業について検討する。
このようなタスクでは、ロボットは次に移動する場所について一連の決定を行い、通常、環境の観察された部分に関する知識に基づいて決定する。
環境の未知部分の幾何学的構造の予測を利用して探索性能を向上させる手法を提案する。
- 参考スコア(独自算出の注目度): 5.399268560100003
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We consider exploration tasks in which an autonomous mobile robot
incrementally builds maps of initially unknown indoor environments. In such
tasks, the robot makes a sequence of decisions on where to move next that,
usually, are based on knowledge about the observed parts of the environment. In
this paper, we present an approach that exploits a prediction of the geometric
structure of the unknown parts of an environment to improve exploration
performance. In particular, we leverage an existing method that reconstructs
the layout of an environment starting from a partial grid map and that predicts
the shape of partially observed rooms on the basis of geometric features
representing the regularities of the indoor environment. Then, we originally
employ the predicted layout to estimate the amount of new area the robot would
observe from candidate locations in order to inform the selection of the next
best location and to early stop the exploration when no further relevant area
is expected to be discovered. Experimental activities show that our approach is
able to effectively predict the layout of partially observed rooms and to use
such knowledge to speed up the exploration.
- Abstract(参考訳): 自律移動ロボットが当初未知の屋内環境の地図を段階的に構築する探索作業を検討する。
このようなタスクでは、ロボットは次に移動する場所について一連の決定を行い、通常、環境の観察された部分に関する知識に基づいて決定する。
本稿では,未知の環境の幾何学的構造の予測を利用して探索性能を向上させる手法を提案する。
特に,室内環境の正則性を表す幾何学的特徴に基づいて,部分的グリッドマップから環境のレイアウトを再構成し,部分的に観察された部屋の形状を予測する既存の手法を活用する。
そこで,我々はまず,ロボットが観測する新たな領域の量を推定するために,予測レイアウトを用いて,次の最適な場所の選択を通知し,さらに関連する領域が発見されない場合に探索を早期に停止する。
実験により,我々は,部分的に観察された部屋の配置を効果的に予測し,その知識を用いて探索を高速化できることを示した。
関連論文リスト
- Learning Where to Look: Self-supervised Viewpoint Selection for Active Localization using Geometrical Information [68.10033984296247]
本稿では, 位置決めの精度を高めるために, 視点選択の重要性を強調し, アクティブな位置決め領域について検討する。
私たちのコントリビューションは、リアルタイム操作用に設計されたシンプルなアーキテクチャ、自己教師付きデータトレーニング方法、および実世界のロボティクスアプリケーションに適した計画フレームワークにマップを一貫して統合する能力による、データ駆動型アプローチの使用に関するものです。
論文 参考訳(メタデータ) (2024-07-22T12:32:09Z) - AI planning in the imagination: High-level planning on learned abstract
search spaces [68.75684174531962]
我々は,エージェントが訓練中に学習する抽象的な検索空間において,エージェントが計画することを可能にする,PiZeroと呼ばれる新しい手法を提案する。
本研究では,旅行セールスマン問題,ソコバン問題,2048年,施設立地問題,パックマン問題など,複数の分野で評価を行った。
論文 参考訳(メタデータ) (2023-08-16T22:47:16Z) - Learning-Augmented Model-Based Planning for Visual Exploration [8.870188183999854]
学習型モデルベースプランニングを用いた新しい探索手法を提案する。
室内シーンの視覚センシングとセマンティックマッピングの進歩が活用される。
提案手法は,2.1%,RLに基づく探査手法8.4%を網羅的に上回っている。
論文 参考訳(メタデータ) (2022-11-15T04:53:35Z) - Dynamics-Aware Spatiotemporal Occupancy Prediction in Urban Environments [37.00873004170998]
本稿では,ディープネットワークアーキテクチャを用いて2つの機能を統合するフレームワークを提案する。
本手法は実世界のOpenデータセット上で検証され,ベースライン法よりも高い予測精度を示す。
論文 参考訳(メタデータ) (2022-09-27T06:12:34Z) - Incremental 3D Scene Completion for Safe and Efficient Exploration
Mapping and Planning [60.599223456298915]
本研究では,情報,安全,解釈可能な地図作成と計画に3次元シーン補完を活用することによって,深層学習を探索に統合する新しい手法を提案する。
本手法は,地図の精度を最小限に抑えることで,ベースラインに比べて環境のカバレッジを73%高速化できることを示す。
最終地図にシーン完了が含まれていなくても、ロボットがより情報的な経路を選択するように誘導し、ロボットのセンサーでシーンの測定を35%高速化できることが示される。
論文 参考訳(メタデータ) (2022-08-17T14:19:33Z) - Revisiting spatio-temporal layouts for compositional action recognition [63.04778884595353]
私たちは、アクション認識にオブジェクト中心のアプローチを取ります。
本論文の主な焦点は、合成/ファウショット動作認識である。
レイアウトモデルとの融合による外観モデルの性能向上を実証する。
論文 参考訳(メタデータ) (2021-11-02T23:04:39Z) - Efficient Placard Discovery for Semantic Mapping During Frontier
Exploration [0.0]
この研究は、Interruptable Frontier Explorationアルゴリズムを導入し、ロボットが自身の環境を探索してSLAMマップを構築すると同時に、このプロセス中に観察されたプラカードを検査することを可能にする。
これにより、ロボットは人間の介入なしに部屋のプラカードを自律的に発見できる。
論文 参考訳(メタデータ) (2021-10-27T20:00:07Z) - Map Induction: Compositional spatial submap learning for efficient
exploration in novel environments [25.00757828975447]
観測されていない空間の構造を推定することにより,人間は新しい環境を効率的に探索できることを示す。
本研究では,新しい行動マップ誘導タスクを用いて,非帰納的モデルよりも人間の探索行動が優れていることを示す。
論文 参考訳(メタデータ) (2021-10-23T21:23:04Z) - Hierarchical Bayesian Model for the Transfer of Knowledge on Spatial
Concepts based on Multimodal Information [4.964816143841663]
空間的概念に基づく知識の伝達は、後方分布の計算過程としてモデル化される。
キッチンなどの一般空間における空間知識の一般化性能を評価する実験を行った。
実験の結果,提案手法は,知識の伝達により,従来の方法よりも位置名や位置の予測精度が高いことが示された。
論文 参考訳(メタデータ) (2021-03-11T04:10:23Z) - Occupancy Anticipation for Efficient Exploration and Navigation [97.17517060585875]
そこで我々は,エージェントが自我中心のRGB-D観測を用いて,その占有状態を可視領域を超えて推定する,占有予測を提案する。
エゴセントリックなビューとトップダウンマップの両方でコンテキストを活用することで、私たちのモデルは環境のより広いマップを予測できます。
われわれのアプローチは、2020 Habitat PointNav Challengeの優勝だ。
論文 参考訳(メタデータ) (2020-08-21T03:16:51Z) - An Exploration of Embodied Visual Exploration [97.21890864063872]
身体的コンピュータビジョンは、新しい非構造環境におけるロボットに対する知覚を考慮に入れている。
既存の視覚探索アルゴリズムの分類を提示し、それらをベンチマークするための標準フレームワークを作成する。
次に,提案フレームワークを用いた4つの最先端パラダイムの徹底的な実証的研究を行った。
論文 参考訳(メタデータ) (2020-01-07T17:40:32Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。