論文の概要: OceanSim: A GPU-Accelerated Underwater Robot Perception Simulation Framework

• arxiv url: http://arxiv.org/abs/2503.01074v1
• Date: Mon, 03 Mar 2025 00:32:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-05 19:15:24.141955
• Title: OceanSim: A GPU-Accelerated Underwater Robot Perception Simulation Framework
• Title（参考訳）: OceanSim:GPUによる水中ロボットの知覚シミュレーションフレームワーク
• Authors: Jingyu Song, Haoyu Ma, Onur Bagoren, Advaith V. Sethuraman, Yiting Zhang, Katherine A. Skinner,
• Abstract要約: 高速GPU加速水中シミュレータであるOceanSimを提案する。 そこで本研究では,水中画像シミュレーションにおけるシミュレートと現実のギャップを低減するために,物理に基づく高度なレンダリング手法を提案する。
• 参考スコア（独自算出の注目度）: 9.848290383558572
• License:
• Abstract: Underwater simulators offer support for building robust underwater perception solutions. Significant work has recently been done to develop new simulators and to advance the performance of existing underwater simulators. Still, there remains room for improvement on physics-based underwater sensor modeling and rendering efficiency. In this paper, we propose OceanSim, a high-fidelity GPU-accelerated underwater simulator to address this research gap. We propose advanced physics-based rendering techniques to reduce the sim-to-real gap for underwater image simulation. We develop OceanSim to fully leverage the computing advantages of GPUs and achieve real-time imaging sonar rendering and fast synthetic data generation. We evaluate the capabilities and realism of OceanSim using real-world data to provide qualitative and quantitative results. The project page for OceanSim is https://umfieldrobotics.github.io/OceanSim.
• Abstract（参考訳）: 水中シミュレーターは、堅牢な水中知覚ソリューションの構築をサポートする。 近年,新しいシミュレータの開発や既存の水中シミュレータの性能向上に重要な取り組みがなされている。 それでも、物理学に基づく水中センサーモデリングとレンダリング効率の改善の余地は残っている。 本稿では,この研究ギャップに対処する高忠実度GPU加速水中シミュレータであるOceanSimを提案する。 そこで本研究では,水中画像シミュレーションにおけるシミュレートと現実のギャップを低減するために,物理に基づく高度なレンダリング手法を提案する。 我々はOceanSimを開発し、GPUのコンピューティングの利点をフル活用し、リアルタイムなソナーレンダリングと高速な合成データ生成を実現する。 実世界のデータを用いてOceanSimの機能と現実性を評価し,質的かつ定量的な結果を提供する。 OceanSimのプロジェクトページはhttps://umfieldrobotics.github.io/OceanSimである。

関連論文リスト

• Vid2Sim: Realistic and Interactive Simulation from Video for Urban Navigation [62.5805866419814]
  Vid2Simは、ニューラル3Dシーンの再構築とシミュレーションのためのスケーラブルで費用効率のよいReal2simパイプラインを通じてsim2realギャップをブリッジする新しいフレームワークである。 実験により、Vid2Simはデジタル双生児と現実世界の都市ナビゲーションの性能を31.2%、成功率68.3%で大幅に改善することが示された。
  論文  参考訳（メタデータ） (2025-01-12T03:01:15Z)
• RoboGSim: A Real2Sim2Real Robotic Gaussian Splatting Simulator [27.04267700576422]
  RoboGSimは本物の2sim2realのロボットシミュレータで、3Dガウシアン・スプレイティングと物理エンジンで動く。 シミュレーションされたデータを、新しいビュー、オブジェクト、軌跡、シーンで合成することができる。 実数2simとsim2realの転写実験は、テクスチャと物理において高い一貫性を示す。
  論文  参考訳（メタデータ） (2024-11-18T18:58:03Z)
• A Fast AI Surrogate for Coastal Ocean Circulation Models [10.800252698519634]
  海洋学者は海岸沿いの海流をシミュレートし、生命を救い、海岸の危険から財産の損失や被害を防ぐ早期警戒システムを開発する。 伝統的に、このようなシミュレーションは、地域海洋モデリングシステム(ROMS)のような沿岸海洋循環モデルを用いて行われる。 近年のディープラーニングとGPUアーキテクチャの進歩により、より高速なAI(ニューラルネットワーク)サロゲートの開発が可能になった。 本稿では,4次元スウィントランスを用いたAIサロゲートを提案する。
  論文  参考訳（メタデータ） (2024-10-19T02:49:30Z)
• Sim2Real Transfer for Audio-Visual Navigation with Frequency-Adaptive Acoustic Field Prediction [51.71299452862839]
  本稿では,音場予測 (AFP) とウェイポイントナビゲーションに切り離して, 音声視覚ナビゲーションのためのsim2real の最初の治療法を提案する。 次に、特定の周波数サブバンドのみを入力とするAFPモデルをトレーニングすることにより、実世界のデータを収集し、シミュレーションと実世界のスペクトル差を測定する。 最後に、実際のロボットプラットフォームを構築し、転送されたポリシーが、音を鳴らすオブジェクトにうまくナビゲートできることを示します。
  論文  参考訳（メタデータ） (2024-05-05T06:01:31Z)
• OmniLRS: A Photorealistic Simulator for Lunar Robotics [2.6718643310547607]
  私たちはNvidiaのロボットシミュレータであるIsaac SimをベースにしたLunarシミュレータをどうやって構築したのかを説明します。 このシミュレーションは、高速な手続き環境生成、マルチボット機能、および機械学習アプリケーションのための合成データパイプラインを提供する。
  論文  参考訳（メタデータ） (2023-09-16T13:48:47Z)
• Megaverse: Simulating Embodied Agents at One Million Experiences per Second [75.1191260838366]
  私たちは、強化学習と具体化AI研究のための新しい3DシミュレーションプラットフォームであるMegaverseを紹介します。 MegaverseはDeepMind Labより最大70倍速い。 私たちはMegaverseを使って、複数の単一エージェントタスクとマルチエージェントタスクからなる新しいベンチマークを構築します。
  論文  参考訳（メタデータ） (2021-07-17T03:16:25Z)
• Out of the Box: Embodied Navigation in the Real World [45.97756658635314]
  シミュレーションで得られた知識を現実世界に伝達する方法を示す。 モデルは1台のIntel RealSenseカメラを搭載したLoCoBotにデプロイします。 本実験では,得られたモデルを実世界に展開することで,満足のいく結果が得られることを示した。
  論文  参考訳（メタデータ） (2021-05-12T18:00:14Z)
• GeoSim: Photorealistic Image Simulation with Geometry-Aware Composition [81.24107630746508]
  GeoSimは、新しい都市の運転シーンを合成するジオメトリ認識の画像合成プロセスです。 まず、センサーデータからリアルな形状と外観の両方を備えた多様な3Dオブジェクトのバンクを構築します。 得られた合成画像は、フォトリアリズム、トラフィック認識、幾何学的一貫性があり、画像シミュレーションが複雑なユースケースにスケールできる。
  論文  参考訳（メタデータ） (2021-01-16T23:00:33Z)
• LiDARsim: Realistic LiDAR Simulation by Leveraging the Real World [84.57894492587053]
  物理に基づくシミュレーションと学習に基づくシミュレーションの両方のパワーをキャプチャする新しいシミュレータを開発した。 まず3Dシーン上でレイキャストを行い、次にディープニューラルネットワークを用いて物理シミュレーションから偏差を生成する。 本稿では,LiDARsimが長距離イベントにおける認識アルゴリズムのテストに有用であること,および安全クリティカルシナリオにおけるエンドツーエンドのクローズループ評価について紹介する。
  論文  参考訳（メタデータ） (2020-06-16T17:44:35Z)

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。