論文の概要: Fiducial Marker Splatting for High-Fidelity Robotics Simulations
- arxiv url: http://arxiv.org/abs/2508.17012v1
- Date: Sat, 23 Aug 2025 12:53:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-26 18:43:45.299596
- Title: Fiducial Marker Splatting for High-Fidelity Robotics Simulations
- Title（参考訳）: 高忠実度ロボットシミュレーションのためのフィデューシャルマーカースプレイティング
- Authors: Diram Tabaa, Gianni Di Caro,
- Abstract要約: 高忠実度3Dシミュレーションは移動ロボットの訓練に不可欠である。
ガウススプラッティング(GS)のような最近のニューラルレンダリング手法は目覚ましい視覚的リアリズムを実現するが、フィデューシャルマーカーを組み込む柔軟性は欠如している。
本稿では,GSのフォトリアリズムと構造化マーカー表現を組み合わせたハイブリッドフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 0.6875312133832078
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: High-fidelity 3D simulation is critical for training mobile robots, but its traditional reliance on mesh-based representations often struggle in complex environments, such as densely packed greenhouses featuring occlusions and repetitive structures. Recent neural rendering methods, like Gaussian Splatting (GS), achieve remarkable visual realism but lack flexibility to incorporate fiducial markers, which are essential for robotic localization and control. We propose a hybrid framework that combines the photorealism of GS with structured marker representations. Our core contribution is a novel algorithm for efficiently generating GS-based fiducial markers (e.g., AprilTags) within cluttered scenes. Experiments show that our approach outperforms traditional image-fitting techniques in both efficiency and pose-estimation accuracy. We further demonstrate the framework's potential in a greenhouse simulation. This agricultural setting serves as a challenging testbed, as its combination of dense foliage, similar-looking elements, and occlusions pushes the limits of perception, thereby highlighting the framework's value for real-world applications.
- Abstract（参考訳）: 高忠実度3Dシミュレーションは、移動ロボットの訓練には不可欠だが、メッシュベースの表現への依存は、密集した温室や繰り返し構造など、複雑な環境に苦しむことが多い。
ガウススプラッティング(GS)のような最近のニューラルレンダリング手法は、目覚ましい視覚的リアリズムを実現するが、ロボットのローカライゼーションと制御に不可欠なフィデューシャルマーカーを組み込む柔軟性に欠ける。
本稿では,GSのフォトリアリズムと構造化マーカー表現を組み合わせたハイブリッドフレームワークを提案する。
我々のコアコントリビューションは、散らばったシーン内でGSベースのフィデューシャルマーカー(例: AprilTags)を効率的に生成するための新しいアルゴリズムである。
実験の結果,提案手法は効率とポーズ推定精度の両方において従来の画像適合技術より優れていた。
温室効果ガスシミュレーションにおけるフレームワークの可能性をさらに実証する。
この農業環境は、密集した葉、類似した外観の要素、およびオクルージョンの組み合わせが知覚の限界を押し上げ、現実世界のアプリケーションに対するフレームワークの価値を強調しているため、困難なテストベッドとして機能する。
関連論文リスト
- RobustSplat: Decoupling Densification and Dynamics for Transient-Free 3DGS [79.15416002879239]
3D Gaussian Splattingは、ノベルビュー合成と3Dモデリングにおけるリアルタイム、フォトリアリスティックレンダリングにおいて大きな注目を集めている。
既存の手法は、過渡的なオブジェクトに影響されたシーンを正確にモデル化するのに苦労し、描画された画像のアーティファクトに繋がる。
2つの重要な設計に基づく堅牢なソリューションであるRobustSplatを提案する。
論文 参考訳（メタデータ） (2025-06-03T11:13:48Z) - GSFF-SLAM: 3D Semantic Gaussian Splatting SLAM via Feature Field [17.57215792490409]
GSFF-SLAMは3次元ガウススプラッティングに基づく新しい意味論的SLAMシステムである。
提案手法は, 様々な2次元先行情報, 特にスパース信号と雑音信号を用いた意味的再構成を支援する。
2D基底真理を利用する場合、GSFF-SLAMは95.03% mIoUで最先端のセマンティックセグメンテーション性能を達成する。
論文 参考訳（メタデータ） (2025-04-28T01:21:35Z) - SweepEvGS: Event-Based 3D Gaussian Splatting for Macro and Micro Radiance Field Rendering from a Single Sweep [48.34647667445792]
SweepEvGSは、イベントカメラを活用して、単一のスイープから堅牢で正確な新しいビュー合成を行う、新しいハードウェア統合手法である。
SweepEvGSの強靭性と効率性は,3つの異なる画像環境における実験により検証した。
以上の結果から,SweepEvGSは視覚的レンダリング品質,レンダリング速度,計算効率において,既存の手法を超越していることがわかった。
論文 参考訳（メタデータ） (2024-12-16T09:09:42Z) - MCGS: Multiview Consistency Enhancement for Sparse-View 3D Gaussian Radiance Fields [73.49548565633123]
3Dガウシアンによって表現される放射場は、高いトレーニング効率と高速レンダリングの両方を提供する、新しいビューの合成に優れている。
既存の手法では、高密度推定ネットワークからの奥行き先を組み込むことが多いが、入力画像に固有の多視点一貫性を見落としている。
本稿では,3次元ガウス・スプレイティング(MCGS)に基づくビュー・フレームワークを提案し,スパークス・インプット・ビューからシーンを再構築する。
論文 参考訳（メタデータ） (2024-10-15T08:39:05Z)
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。