論文の概要: Sampling-free obstacle gradients and reactive planning in Neural Radiance Fields (NeRF)

• arxiv url: http://arxiv.org/abs/2205.01389v1
• Date: Tue, 3 May 2022 09:32:02 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-04 14:55:47.985686
• Title: Sampling-free obstacle gradients and reactive planning in Neural Radiance Fields (NeRF)
• Title（参考訳）: ニューラルレイディアンスフィールド(NeRF)におけるサンプリングフリー障害物勾配と反応性計画
• Authors: Michael Pantic, Cesar Cadena, Roland Siegwart and Lionel Ott
• Abstract要約: 予め訓練したNeRFに半径の占有率を推定する能力を加えることで、ユークリッド符号距離場(ESDF)への近似を効果的に学習していることが示される。 この結果から,暗黙的表現におけるサンプリング不要な障害物回避計画が極めて高速であることが示唆された。
• 参考スコア（独自算出の注目度）: 43.33810082237658
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This work investigates the use of Neural implicit representations, specifically Neural Radiance Fields (NeRF), for geometrical queries and motion planning. We show that by adding the capacity to infer occupancy in a radius to a pre-trained NeRF, we are effectively learning an approximation to a Euclidean Signed Distance Field (ESDF). Using backward differentiation of the augmented network, we obtain an obstacle gradient that is integrated into an obstacle avoidance policy based on the Riemannian Motion Policies (RMP) framework. Thus, our findings allow for very fast sampling-free obstacle avoidance planning in the implicit representation.
• Abstract（参考訳）: 本研究では,ニューラルな暗黙表現,特にNeural Radiance Fields (NeRF) を幾何学的クエリや運動計画に用いることを検討する。 予め訓練したNeRFに半径の占有率を推定する能力を加えることで、ユークリッド符号距離場(ESDF)への近似を効果的に学習していることを示す。 拡張ネットワークの後方微分を用いて,RMP(Riemannian Motion Policies)フレームワークに基づく障害物回避ポリシーに統合された障害物勾配を求める。 その結果,暗黙的な表現において,非常に高速にサンプリング不要な障害物回避計画が可能となった。

関連論文リスト

• Generalizable Non-Line-of-Sight Imaging with Learnable Physical Priors [52.195637608631955]
  非視線画像(NLOS)は、その潜在的な応用により注目されている。 既存のNLOS再構成アプローチは、経験的物理的前提に依存して制約される。 本稿では,Learningable Path Compensation(LPC)とAdaptive Phasor Field(APF)の2つの主要な設計を含む,学習に基づく新しいソリューションを提案する。
  論文  参考訳（メタデータ） (2024-09-21T04:39:45Z)
• ProvNeRF: Modeling per Point Provenance in NeRFs as a Stochastic Field [52.09661042881063]
  テキストフィールドとしてNeRFのbfprovenance(可視な位置)をモデル化する手法を提案する。 我々は、NeRF最適化におけるポイントごとの精度のモデリングにより、新しいビュー合成と不確実性推定の改善につながる情報により、モデルが強化されることを示す。
  論文  参考訳（メタデータ） (2024-01-16T06:19:18Z)
• Where and How: Mitigating Confusion in Neural Radiance Fields from Sparse Inputs [22.9859132310377]
  本稿では,新たな学習フレームワークであるWaH-NeRFについて述べる。 ポーズ摂動に基づく半教師付きNeRF学習パラダイムと、予測混乱を軽減するためのPixel-Patch対応損失を提案する。
  論文  参考訳（メタデータ） (2023-08-05T15:59:15Z)
• Exact-NeRF: An Exploration of a Precise Volumetric Parameterization for Neural Radiance Fields [16.870604081967866]
  本論文は、mip-NeRF近似に対する正確な解析解を提供するための最初のアプローチである。 このような正確な定式化は、mip-NeRFの精度と一致し、さらに、さらなる修正を伴わずに、より困難なシナリオへの自然な拡張を提供することを示す。 我々の貢献は、初期のNeRF研究におけるフラストタル近似の未解明問題に対処することと、将来のNeRF拡張における解析的解決の可能性についての洞察を提供することである。
  論文  参考訳（メタデータ） (2022-11-22T13:56:33Z)
• UNeRF: Time and Memory Conscious U-Shaped Network for Training Neural Radiance Fields [16.826691448973367]
  ニューラル・ラジアンス・フィールド(NeRF)は、新しいビュー合成とシーン再構成のための再構築の詳細を増大させる。 しかし、そのようなニューラルネットワークの解像度とモデルフリー性の向上は、高いトレーニング時間と過剰なメモリ要求のコストが伴う。 本研究では,近隣のサンプル点間で評価を部分的に共有することで,NeRFのサンプルベース計算の冗長性を利用する手法を提案する。
  論文  参考訳（メタデータ） (2022-06-23T19:57:07Z)
• Semi-signed neural fitting for surface reconstruction from unoriented point clouds [53.379712818791894]
  より優れた符号付き距離場を再構成するためのSN-Fittingを提案する。 SSNフィッティングは半署名の監督と損失に基づく領域サンプリング戦略で構成されている。 我々は,SSN-Fittingが,異なる設定下で最先端の性能を達成することを示す実験を行う。
  論文  参考訳（メタデータ） (2022-06-14T09:40:17Z)
• Shortest-Path Constrained Reinforcement Learning for Sparse Reward Tasks [59.419152768018506]
  最適ポリシーは必ずk-SP制約を満たすことを示す。 本研究では,SP制約に違反するポリシーを完全に排除する代わりに,新たなコスト関数を提案する。 また,MiniGrid,DeepMind Lab,Atari,Fetchを用いた実験の結果,提案手法はPPOを著しく改善することが示された。
  論文  参考訳（メタデータ） (2021-07-13T21:39:21Z)
• On The Verification of Neural ODEs with Stochastic Guarantees [14.490826225393096]
  時間連続型ニューラルネットワークの新興クラスであるneural odesは,グローバル最適化問題の集合を解いて検証できることを示す。 密なReachtubeを構築するための抽象化ベースのテクニックであるLagran Reachability(SLR)を紹介する。
  論文  参考訳（メタデータ） (2020-12-16T11:04:34Z)
• On Sparsity in Overparametrised Shallow ReLU Networks [42.33056643582297]
  無限に広い状態であっても、限られた数のニューロンしか必要としない解を捉えるための異なる正規化戦略の能力について検討する。 オーバーパラメトリゼーションの量に関係なく、両方のスキームは、有限個のニューロンしか持たない関数によって最小化される。
  論文  参考訳（メタデータ） (2020-06-18T01:35:26Z)
• Local Propagation in Constraint-based Neural Network [77.37829055999238]
  ニューラルネットワークアーキテクチャの制約に基づく表現について検討する。 本稿では,いわゆるアーキテクチャ制約を満たすのに適した簡単な最適化手法について検討する。
  論文  参考訳（メタデータ） (2020-02-18T16:47:38Z)

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。