論文の概要: Mapping at First Sense: A Lightweight Neural Network-Based Indoor Structures Prediction Method for Robot Autonomous Exploration

• arxiv url: http://arxiv.org/abs/2504.04061v1
• Date: Sat, 05 Apr 2025 05:19:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-08 14:10:10.001046
• Title: Mapping at First Sense: A Lightweight Neural Network-Based Indoor Structures Prediction Method for Robot Autonomous Exploration
• Title（参考訳）: ファーストセンスでのマッピング:ロボット自律探査のための軽量ニューラルネットワークを用いた屋内構造予測手法
• Authors: Haojia Gao, Haohua Que, Kunrong Li, Weihao Shan, Mingkai Liu, Rong Zhao, Lei Mu, Xinghua Yang, Qi Wei, Fei Qiao,
• Abstract要約: ファーストセンスでのマッピング(英: Mapping at First Sense)は、ローカルマップの未観測領域を予測する、軽量なニューラルネットワークベースのアプローチである。 SenseMapNetは、畳み込みとトランスフォーマーベースのアーキテクチャを統合して、隠された領域を推論する。 SenseMapNet の SSIM は 0.78 ,LPIPS は 0.68 ,FID は 239.79 である。
• 参考スコア（独自算出の注目度）: 3.748837981719551
• License:
• Abstract: Autonomous exploration in unknown environments is a critical challenge in robotics, particularly for applications such as indoor navigation, search and rescue, and service robotics. Traditional exploration strategies, such as frontier-based methods, often struggle to efficiently utilize prior knowledge of structural regularities in indoor spaces. To address this limitation, we propose Mapping at First Sense, a lightweight neural network-based approach that predicts unobserved areas in local maps, thereby enhancing exploration efficiency. The core of our method, SenseMapNet, integrates convolutional and transformerbased architectures to infer occluded regions while maintaining computational efficiency for real-time deployment on resourceconstrained robots. Additionally, we introduce SenseMapDataset, a curated dataset constructed from KTH and HouseExpo environments, which facilitates training and evaluation of neural models for indoor exploration. Experimental results demonstrate that SenseMapNet achieves an SSIM (structural similarity) of 0.78, LPIPS (perceptual quality) of 0.68, and an FID (feature distribution alignment) of 239.79, outperforming conventional methods in map reconstruction quality. Compared to traditional frontier-based exploration, our method reduces exploration time by 46.5% (from 2335.56s to 1248.68s) while maintaining a high coverage rate (88%) and achieving a reconstruction accuracy of 88%. The proposed method represents a promising step toward efficient, learning-driven robotic exploration in structured environments.
• Abstract（参考訳）: 未知の環境における自律的な探索は、特に屋内ナビゲーション、捜索救助、サービスロボティクスといった応用において、ロボット工学において重要な課題である。 フロンティアに基づく手法のような伝統的な探索戦略は、しばしば屋内空間における構造的規則性の事前知識を効果的に活用するのに苦労する。 この制限に対処するために、ローカルマップの未観測領域を予測し、探索効率を向上する、軽量なニューラルネットワークベースのアプローチであるFirst Senseのマッピングを提案する。 提案手法のコアとなるSenseMapNetは,資源制約されたロボットをリアルタイムに配置する際の計算効率を維持しながら,畳み込み型およびトランスフォーマー型アーキテクチャを統合して,隠蔽領域を推定する。 さらに,KTH環境とHouseExpo環境から構築されたキュレートデータセットであるSenseMapDatasetを導入し,室内探索のためのニューラルネットワークのトレーニングと評価を容易にする。 実験により,SenseMapNetは0.78のSSIM,LPIPS(知覚品質)0.68のSSIM,FID(239.79のFID)を実現し,地図復元品質の従来の手法よりも優れていた。 従来のフロンティア調査と比較して,調査時間は46.5%(2335.56sから1248.68s)で,高いカバレッジ率(88%)を維持し,再現精度88%を実現している。 提案手法は, 構造化環境下での効率的な学習駆動型ロボット探査に向けた有望なステップである。

関連論文リスト

• FrontierNet: Learning Visual Cues to Explore [54.8265603996238]
  この研究は、3Dマップからゴールポーズを抽出する制限に対処するため、効率的な自律探索に2Dビジュアルキューを活用することを目的としている。 本研究では,FrontierNetをコアコンポーネントとする画像のみのフロンティア探索システムを提案する。 提案手法は既存の3次元探査システムに代わるもので,早期探査効率が16%向上した。
  論文  参考訳（メタデータ） (2025-01-08T16:25:32Z)
• Classification of Geographical Land Structure Using Convolution Neural Network and Transfer Learning [1.024113475677323]
  本研究は, 都市計画・開発, 環境モニタリング, 災害管理など, 一連の応用を創出することができる。 本稿では、地理的な土地構造を分類するプロセスを自動化するための深層学習に基づくアプローチを開発した。
  論文  参考訳（メタデータ） (2024-11-19T11:01:30Z)
• Reinforcement Learning with Frontier-Based Exploration via Autonomous Environment [0.0]
  この研究は、ExploreORBとして知られる既存のVisual-Graph SLAMと強化学習を組み合わせたものである。 提案アルゴリズムは、フロンティアの探索プロセスを最適化し、より正確な地図を作成することにより、ExploreORBの効率と精度を向上させることを目的としている。
  論文  参考訳（メタデータ） (2023-07-14T12:19:46Z)
• 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)
• Real-time Outdoor Localization Using Radio Maps: A Deep Learning Approach [59.17191114000146]
  LocUNet: ローカライゼーションタスクのための畳み込み、エンドツーエンドのトレーニングニューラルネットワーク(NN)。 我々は,LocUNetがユーザを最先端の精度でローカライズし,無線マップ推定における不正確性が高いことを示す。
  論文  参考訳（メタデータ） (2021-06-23T17:27:04Z)
• Deep Learning Traversability Estimator for Mobile Robots in Unstructured Environments [11.042142015353626]
  本稿では,高度図や軌道図からエンドツーエンドで学習し,故障発生を推定する深層学習フレームワークを提案する。 アプリケーションに依存しない事前学習モデルの転送と微調整は、ほとんど利用可能な実データに基づいて一意にトレーニングするよりも優れた性能を保っていることを示す。
  論文  参考訳（メタデータ） (2021-05-23T13:49:05Z)
• BossNAS: Exploring Hybrid CNN-transformers with Block-wisely Self-supervised Neural Architecture Search [100.28980854978768]
  BossNAS(Block-wisely Self-supervised Neural Architecture Search)の紹介 探索空間をブロックに分類し、アンサンブルブートストラッピングと呼ばれる新しい自己教師型トレーニングスキームを用いて各ブロックを個別に訓練する。 また,検索可能なダウンサンプリング位置を持つファブリック型cnnトランスフォーマ検索空間であるhytra search spaceを提案する。
  論文  参考訳（メタデータ） (2021-03-23T10:05:58Z)
• EdgeLoc: An Edge-IoT Framework for Robust Indoor Localization Using Capsule Networks [3.659977669398194]
  カプセルネットワークを用いた効率的で堅牢な屋内ローカライズのためのエッジIoTフレームワークであるEdgeLocを提案する。 WiFi指紋データから階層情報を効率的に抽出する深層学習モデルをCapsNetで開発する。 我々は,33,600点以上のデータポイントを用いて実世界のフィールド実験を行い,オープンデータセットを用いた広範囲な合成実験を行った。
  論文  参考訳（メタデータ） (2020-09-12T12:38:47Z)
• Guided Uncertainty-Aware Policy Optimization: Combining Learning and Model-Based Strategies for Sample-Efficient Policy Learning [75.56839075060819]
  従来のロボットのアプローチは、環境の正確なモデル、タスクの実行方法の詳細な説明、現在の状態を追跡するための堅牢な認識システムに依存している。 強化学習アプローチは、タスクを記述するための報酬信号だけで、生の感覚入力から直接操作することができるが、非常にサンプル非効率で脆弱である。 本研究では,ロボットの知覚・運動パイプラインにおける不正確さを克服できる一般的な手法を得るために,モデルに基づく手法の強みと学習に基づく手法の柔軟性を組み合わせる。
  論文  参考訳（メタデータ） (2020-05-21T19:47:05Z)
• Localising Faster: Efficient and precise lidar-based robot localisation in large-scale environments [27.53080210457653]
  本稿では,大規模環境における移動ロボットのグローバルなローカライズのための新しいアプローチを提案する。 本手法は,学習に基づくローカライゼーションとフィルタリングに基づくローカライゼーションを活用し,ロボットのローカライズを効率的かつ正確に行う。 提案手法は,約0.5km2の大規模環境下で,平均1.94秒(0.8秒)で精度0.75mの精度でロボットをローカライズできることを示す。
  論文  参考訳（メタデータ） (2020-03-04T03:39:37Z)
• Deep Learning based Pedestrian Inertial Navigation: Methods, Dataset and On-Device Inference [49.88536971774444]
  慣性測定ユニット(IMU)は小型で安価でエネルギー効率が良く、スマートデバイスや移動ロボットに広く使われている。 正確で信頼性の高い歩行者ナビゲーションをサポートするために慣性データをエクスプロイトすることは、新しいインターネット・オブ・シングス・アプリケーションやサービスにとって重要なコンポーネントである。 我々は、深層学習に基づく慣性ナビゲーション研究のための最初の公開データセットであるOxIOD(OxIOD)を提示、リリースする。
  論文  参考訳（メタデータ） (2020-01-13T04:41:54Z)

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。