論文の概要: Semantic Zone based 3D Map Management for Mobile Robot

• arxiv url: http://arxiv.org/abs/2512.12228v1
• Date: Sat, 13 Dec 2025 07:55:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:40.325178
• Title: Semantic Zone based 3D Map Management for Mobile Robot
• Title（参考訳）: セマンティックゾーンを用いた移動ロボットの3次元マップ管理
• Abstract要約: 3Dマップは大量のメモリを消費するので、限られた計算資源内で完全なマップデータを維持することは困難である。 既存のSLAMフレームワークは通常、メモリ管理のために幾何学的距離や時間的メトリクスに依存している。 本稿では,そのパラダイムを幾何学中心の制御から意味論中心の制御へシフトさせるセマンティックゾーンに基づく3Dマップ管理手法を提案する。
• 参考スコア（独自算出の注目度）: 0.552480439325792
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Mobile robots in large-scale indoor environments, such as hospitals and logistics centers, require accurate 3D spatial representations. However, 3D maps consume substantial memory, making it difficult to maintain complete map data within limited computational resources. Existing SLAM frameworks typically rely on geometric distance or temporal metrics for memory management, often resulting in inefficient data retrieval in spatially compartmentalized environments. To address this, we propose a semantic zone-based 3D map management method that shifts the paradigm from geometry-centric to semantics-centric control. Our approach partitions the environment into meaningful spatial units (e.g., lobbies, hallways) and designates these zones as the primary unit for memory management. By dynamically loading only task-relevant zones into Working Memory (WM) and offloading inactive zones to Long-Term Memory (LTM), the system strictly enforces user-defined memory thresholds. Implemented within the RTAB-Map framework, our method demonstrates substantial reductions in unnecessary signature load/unload cycles and cumulative memory utilization compared to standard approaches. The results confirm that semantic zone-based management ensures stable, predictable memory usage while preserving map availability for navigation. Code is available at: https://github.com/huichangs/rtabmap/tree/segment
• Abstract（参考訳）: 病院や物流センターなどの大規模屋内環境における移動ロボットは、正確な3次元空間表現を必要とする。 しかし、3Dマップは大きなメモリを消費し、限られた計算資源内で完全なマップデータを維持することは困難である。 既存のSLAMフレームワークは通常、幾何学的距離や時間的メトリクスをメモリ管理に頼り、しばしば空間的に分割された環境で非効率なデータ検索をもたらす。 そこで本研究では,そのパラダイムを幾何学中心から意味論中心へとシフトさせるセマンティックゾーンに基づく3Dマップ管理手法を提案する。 提案手法では,環境を意味のある空間単位(ロビー,廊下など)に分割し,これらのゾーンをメモリ管理の主単位として指定する。 タスク関連ゾーンのみをWM(Working Memory)に動的にロードし、非アクティブゾーンをLTM(Long-Term Memory)にオフロードすることで、システムはユーザー定義のメモリ閾値を厳格に強制する。 RTAB-Mapフレームワークで実装された本手法は,従来の手法に比べて,不要なシグネチャ負荷/アンロードサイクルと累積メモリ利用の大幅な削減を実証する。 その結果、セマンティックゾーンベースの管理は、ナビゲーションのためのマップ可用性を維持しながら、安定的で予測可能なメモリ使用量を保証することが確認された。 https://github.com/huichangs/rtabmap/tree/segment

関連論文リスト

• GEM-Occ: From Visual Geometry Evidence to Embodied Semantic Occupancy Memory [45.09153209869868]
  我々は、階層的な屋内占有ベンチマークであるHIOccを紹介し、ScanNet、ScanNet++、Matterport3Dを統合する。 また,意味的占有度マッピングのためのガウス的エビデンスメモリフレームワークであるGEM-Occを提案する。
  論文  参考訳（メタデータ） (2026-07-06T18:26:27Z)
• MemoryWAM: Efficient World Action Modeling with Persistent Memory [80.90899269062128]
  本稿では,効率的な永続メモリを持つ世界アクションモデルであるMemoryWAMを紹介する。 調整された注意機構は、詳細な短期コンテキストと圧縮された長期コンテキストの両方の検索を可能にする。 MemoryWAMは、シミュレーションと実世界の両方において、強力な視覚言語アクション(VLA)とWAMベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-06-18T17:59:51Z)
• EvoMemNav: Efficient Self-Evolving Fine-Grained Memory for Zero-Shot Embodied Navigation [81.54723508469617]
  EvoMemNavは、ゼロショットエンボディナビゲーションのための効率的で自己進化的できめ細かいメモリフレームワークである。 VSMGraphは、セマンティックキューとトポロジ的関係を持つビューをルームビューオブジェクト階層に整理する。 GOAT-BenchとHM3Dのオブジェクト、テキスト記述、画像ゴールのモダリティによる実験は、SR/SPLにおいて一貫した利得を示している。
  論文  参考訳（メタデータ） (2026-06-02T11:27:44Z)
• A Survey of Spatial Memory Representations for Efficient Robot Navigation [4.560386676154887]
  52のシステムにまたがる88の参照の空間記憶効率の問題を調査した。 M_textpeak / M_textmap$は、ピーク時メモリ(操作中に消費される全RAMまたはGPUメモリ)と保存されたマップサイズとの比率である。
  論文  参考訳（メタデータ） (2026-04-13T02:12:17Z)
• Semantic Zone-Based Map Management for Stable AI-Integrated Mobile Robots [0.552480439325792]
  本稿では,メモリ制約下での高密度マップ利用を安定化するためのセマンティックゾーンベースのマップ管理手法を提案する。 大規模室内環境とNVIDIA Jetson Orin Nano上でのSLAM-VLM同時実行による提案手法の評価を行った。
  論文  参考訳（メタデータ） (2026-03-31T11:50:14Z)
• Memory-Efficient Boundary Map for Large-Scale Occupancy Grid Mapping [10.412534456908288]
  伝統的な占有グリッドマッピング手法は、環境を3つの占有状態(自由、占有、または未知)のうちの1つに関連付けて、ボクセルのグリッドに分割する。 これらの方法は、マッピングされたボリューム内のすべてのボクセルを明示的に保持し、その位置が該当するボクセルを直接クエリすることで、位置の占有状態を決定する。 しかし、すべてのグリッドボクセルを高解像度で大規模なシナリオで維持するには、かなりのメモリリソースが必要である。 本稿では,写像された体積の境界のみを保持する新しい表現を提案する。
  論文  参考訳（メタデータ） (2026-03-23T10:14:55Z)
• Memory Matters More: Event-Centric Memory as a Logic Map for Agent Searching and Reasoning [55.251697395358285]
  大規模言語モデル(LLM)は、環境を推論し、計画し、相互作用するインテリジェントエージェントとして、ますます多くデプロイされている。 長期のシナリオに効果的にスケールするには、そのようなエージェントの重要な機能は、過去の経験を保持し、整理し、取り出すことができるメモリメカニズムである。 イベント理論にインスパイアされたイベント中心のメモリフレームワークであるCompassMemを提案する。
  論文  参考訳（メタデータ） (2026-01-08T08:44:07Z)
• Point3R: Streaming 3D Reconstruction with Explicit Spatial Pointer Memory [72.75478398447396]
  我々は,高密度ストリーミング3D再構成を目的としたオンラインフレームワークであるPoint3Rを提案する。 具体的には、現在のシーンの3次元構造に直接関連した空間ポインタメモリを明示的に保持する。 本手法は,訓練コストの低い各種タスクにおいて,競争力や最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2025-07-03T17:59:56Z)
• 3DLLM-Mem: Long-Term Spatial-Temporal Memory for Embodied 3D Large Language Model [83.70640091897947]
  人間は、時間的・空間的な体験にまたがって長期記憶を活用することで、複雑なタスクを実行するのに優れる。 現在のLarge Language Models (LLM) は、動的でマルチルームな3D環境において、効果的に計画し、振る舞うのに苦労している。 本稿では,空間的時間的推論と動作を具現化した新しい動的メモリ管理と融合モデルである3DLLM-Memを提案する。
  論文  参考訳（メタデータ） (2025-05-28T17:59:13Z)
• OMEGA: Efficient Occlusion-Aware Navigation for Air-Ground Robot in Dynamic Environments via State Space Model [12.096387853748938]
  地上ロボット(AGR)は、監視や災害対応に広く利用されている。 現在のAGRナビゲーションシステムは、静的環境においてよく機能する。 しかし、これらのシステムは動的で厳しい閉塞シーンの課題に直面している。 これらの問題に対処するために,効率的なAGR-Plannerを用いたOccMambaを提案する。
  論文  参考訳（メタデータ） (2024-08-20T07:50:29Z)
• MemoNav: Working Memory Model for Visual Navigation [47.011190883888446]
  イメージゴールナビゲーションは、不慣れな環境でイメージによって示されるゴールにエージェントがナビゲートする必要がある、困難なタスクである。 様々な場面の記憶を利用する既存の手法は、すべての歴史的観察を意思決定に用いているため、非効率な探索に苦しむ。 動作メモリにインスパイアされたパイプラインを用いてナビゲーション性能を向上させる,イメージゴールナビゲーションのための新しいメモリモデルであるMemoNavを提案する。
  論文  参考訳（メタデータ） (2024-02-29T13:45:13Z)
• Grid Cell-Inspired Fragmentation and Recall for Efficient Map Building [29.630483662400444]
  本研究では,FARMap(Fragmentation-and-Recall)の概念を大規模空間のマッピングに適用する。 エージェントは、空間の仮定に基づくクラスタリングを通じて局所写像を構築することで、マッピング問題を解決する。 FARMapは動物実験で観察された断片化点を再現することを示した。
  論文  参考訳（メタデータ） (2023-07-11T20:40:19Z)
• Memory-Guided Semantic Learning Network for Temporal Sentence Grounding [55.31041933103645]
  本稿では,TSGタスクにおいて稀に出現しないコンテンツを学習し,記憶するメモリ拡張ネットワークを提案する。 MGSL-Netは、クロスモーダル・インターアクション・モジュール、メモリ拡張モジュール、異種アテンション・モジュールの3つの主要な部分で構成されている。
  論文  参考訳（メタデータ） (2022-01-03T02:32:06Z)
• Large-scale Autonomous Flight with Real-time Semantic SLAM under Dense Forest Canopy [48.51396198176273]
  本研究では,大規模自律飛行とリアルタイムセマンティックマッピングを,挑戦的なアンダーキャノピー環境下で実現可能な統合システムを提案する。 我々は、スキャン全体で関連付けられ、木のトランクモデルと同様にロボットのポーズを制約するために使用されるLiDARデータから、木の幹と地面の平面を検出し、モデル化する。 ドリフト補償機構は、プランナー最適性とコントローラ安定性を維持しつつ、セマンティックSLAM出力を用いたドリフトをリアルタイムで最小化するように設計されている。
  論文  参考訳（メタデータ） (2021-09-14T07:24:53Z)
• End-to-End Egospheric Spatial Memory [32.42361470456194]
  Egospheric Spatial Memory (ESM) と呼ばれるパラメータフリーのモジュールを提案し、エージェントの周りの自我圏内のメモリをエンコードする。 ESMは模倣あるいは強化学習を通じてエンドツーエンドでトレーニングすることができる。 ScanNetデータセット上でのセマンティックセグメンテーションへの適用を示す。ESMは画像レベルとマップレベルの推論モダリティを自然に組み合わせている。
  論文  参考訳（メタデータ） (2021-02-15T18:59:07Z)

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。