論文の概要: Learning Smooth State-Dependent Traversability from Dense Point Clouds

• arxiv url: http://arxiv.org/abs/2506.04362v1
• Date: Wed, 04 Jun 2025 18:21:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-06 21:53:49.371973
• Title: Learning Smooth State-Dependent Traversability from Dense Point Clouds
• Title（参考訳）: 濃淡点雲からの平滑な状態依存トラバータビリティの学習
• Authors: Zihao Dong, Alan Papalia, Leonard Jung, Alenna Spiro, Philip R. Osteen, Christa S. Robison, Michael Everett,
• Abstract要約: オフロード自動運転における主要な課題は、地形の移動可能性がしばしば車両の状態に依存することである。 SPARTA(SPARTA)は、点雲からの接近角度条件付きトラバータビリティを推定する手法である。 我々は,SPARTAを高忠実度シミュレーションプラットフォームで実証し,40mの岩場を横断する91%の成功率を達成した。
• 参考スコア（独自算出の注目度）: 8.13017739577631
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A key open challenge in off-road autonomy is that the traversability of terrain often depends on the vehicle's state. In particular, some obstacles are only traversable from some orientations. However, learning this interaction by encoding the angle of approach as a model input demands a large and diverse training dataset and is computationally inefficient during planning due to repeated model inference. To address these challenges, we present SPARTA, a method for estimating approach angle conditioned traversability from point clouds. Specifically, we impose geometric structure into our network by outputting a smooth analytical function over the 1-Sphere that predicts risk distribution for any angle of approach with minimal overhead and can be reused for subsequent queries. The function is composed of Fourier basis functions, which has important advantages for generalization due to their periodic nature and smoothness. We demonstrate SPARTA both in a high-fidelity simulation platform, where our model achieves a 91\% success rate crossing a 40m boulder field (compared to 73\% for the baseline), and on hardware, illustrating the generalization ability of the model to real-world settings.
• Abstract（参考訳）: オフロード自動運転における重要な課題は、地形の移動可能性がしばしば車両の状態に依存することである。 特に、いくつかの障害物はいくつかの方向からしか移動できない。 しかし、モデル入力としてアプローチの角度を符号化することでこの相互作用を学習するには、大規模で多様なトレーニングデータセットが必要であり、繰り返しモデル推論によって計画中に計算的に非効率である。 これらの課題に対処するために,点雲からのアプローチ角条件付きトラバーサビリティを推定する手法であるSPARTAを提案する。 具体的には、1-Sphere上にスムーズな解析関数を出力し、最小限のオーバーヘッドで任意の角度のアプローチのリスク分布を予測し、その後のクエリに再利用することで、ネットワークに幾何学的構造を付加する。 この関数はフーリエ基底関数からなり、周期的性質と滑らかさにより一般化の重要な利点がある。 我々はSPARTAを高忠実度シミュレーションプラットフォームで実証し、そのモデルが40mの岩場(ベースラインの73倍)を横断する91倍の成功率を達成するとともに、ハードウェア上でモデルの現実的な設定への一般化能力を示す。

関連論文リスト

• MultiPull: Detailing Signed Distance Functions by Pulling Multi-Level Queries at Multi-Step [48.812388649469106]
  粗いSDFを粗い値から細かい値に最適化することにより,原点雲から多スケール暗黙フィールドを学習する手法を提案する。 広く使われているオブジェクトとシーンのベンチマーク実験により,この手法は表面再構成における最先端の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-11-02T10:50:22Z)
• Robust Two-View Geometry Estimation with Implicit Differentiation [2.048226951354646]
  本稿では,新しい2次元幾何推定フレームワークを提案する。 これは微分可能なロバスト損失関数のフィッティングに基づいている。 本研究では,屋外シナリオと屋内シナリオの両方において,カメラポーズ推定タスクに対するアプローチを評価する。
  論文  参考訳（メタデータ） (2024-10-23T15:51:33Z)
• Localized Gaussians as Self-Attention Weights for Point Clouds Correspondence [92.07601770031236]
  本稿では,エンコーダのみのトランスフォーマーアーキテクチャのアテンションヘッドにおける意味的意味パターンについて検討する。 注意重みの修正はトレーニングプロセスの促進だけでなく,最適化の安定性の向上にも寄与する。
  論文  参考訳（メタデータ） (2024-09-20T07:41:47Z)
• CF-GO-Net: A Universal Distribution Learner via Characteristic Function Networks with Graph Optimizers [8.816637789605174]
  本稿では,分布に直接対応する確率的記述子である特徴関数(CF)を用いる手法を提案する。 確率密度関数 (pdf) とは異なり、特徴関数は常に存在するだけでなく、さらなる自由度を与える。 提案手法では,訓練済みのオートエンコーダなどの事前学習モデルを使用することで,特徴空間で直接学習することができる。
  論文  参考訳（メタデータ） (2024-09-19T09:33:12Z)
• ALSO: Automotive Lidar Self-supervision by Occupancy estimation [70.70557577874155]
  本稿では,ポイントクラウド上で動作している深層知覚モデルのバックボーンを事前学習するための自己教師型手法を提案する。 中心となる考え方は、3Dポイントがサンプリングされる表面の再構成であるプリテキストタスクでモデルをトレーニングすることである。 直感的には、もしネットワークがわずかな入力ポイントのみを考慮し、シーン表面を再構築できるなら、おそらく意味情報の断片をキャプチャする。
  論文  参考訳（メタデータ） (2022-12-12T13:10:19Z)
• Self-Supervised Arbitrary-Scale Point Clouds Upsampling via Implicit Neural Representation [79.60988242843437]
  そこで本研究では,自己監督型および倍率フレキシブルな点雲を同時にアップサンプリングする手法を提案する。 実験結果から, 自己教師あり学習に基づく手法は, 教師あり学習に基づく手法よりも, 競争力や性能が向上することが示された。
  論文  参考訳（メタデータ） (2022-04-18T07:18:25Z)
• DFC: Deep Feature Consistency for Robust Point Cloud Registration [0.4724825031148411]
  複雑なアライメントシーンのための学習に基づくアライメントネットワークを提案する。 我々は,3DMatchデータセットとKITTIオドメトリデータセットに対するアプローチを検証する。
  論文  参考訳（メタデータ） (2021-11-15T08:27:21Z)
• Locally Aware Piecewise Transformation Fields for 3D Human Mesh Registration [67.69257782645789]
  本論文では,3次元変換ベクトルを学習し,提案空間内の任意のクエリ点をリザーブ空間内の対応する位置にマップする部分変換場を提案する。 パラメトリックモデルにネットワークのポーズを合わせることで、特に極端なポーズにおいて、より優れた登録品質が得られることを示す。
  論文  参考訳（メタデータ） (2021-04-16T15:16:09Z)
• Deep Magnification-Flexible Upsampling over 3D Point Clouds [103.09504572409449]
  本稿では,高密度点雲を生成するためのエンドツーエンド学習ベースのフレームワークを提案する。 まずこの問題を明示的に定式化し、重みと高次近似誤差を判定する。 そこで我々は,高次改良とともに,統一重みとソート重みを適応的に学習する軽量ニューラルネットワークを設計する。
  論文  参考訳（メタデータ） (2020-11-25T14:00:18Z)

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。