論文の概要: Planetary Terrain Datasets and Benchmarks for Rover Path Planning

• arxiv url: http://arxiv.org/abs/2512.21438v1
• Date: Wed, 24 Dec 2025 22:15:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:40.516035
• Title: Planetary Terrain Datasets and Benchmarks for Rover Path Planning
• Title（参考訳）: 惑星地形データセットとローバーパス計画のためのベンチマーク
• Authors: Marvin Chancán, Avijit Banerjee, George Nikolakopoulos,
• Abstract要約: 宇宙ミッションベースの惑星データセット、標準化されたベンチマーク、評価プロトコルが不足している。 本稿では,火星と月の高解像度デジタル地形画像から得られたMarsPlanBenchとMoonPlanBenchを提案する。 さらに,古典的かつ学習的な経路計画アルゴリズムを統一的なフレームワークで構築し,提案したデータセット上で評価した。
• 参考スコア（独自算出の注目度）: 16.297059109611805
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Planetary rover exploration is attracting renewed interest with several upcoming space missions to the Moon and Mars. However, a substantial amount of data from prior missions remain underutilized for path planning and autonomous navigation research. As a result, there is a lack of space mission-based planetary datasets, standardized benchmarks, and evaluation protocols. In this paper, we take a step towards coordinating these three research directions in the context of planetary rover path planning. We propose the first two large planar benchmark datasets, MarsPlanBench and MoonPlanBench, derived from high-resolution digital terrain images of Mars and the Moon. In addition, we set up classical and learned path planning algorithms, in a unified framework, and evaluate them on our proposed datasets and on a popular planning benchmark. Through comprehensive experiments, we report new insights on the performance of representative path planning algorithms on planetary terrains, for the first time to the best of our knowledge. Our results show that classical algorithms can achieve up to 100% global path planning success rates on average across challenging terrains such as Moon's north and south poles. This suggests, for instance, why these algorithms are used in practice by NASA. Conversely, learning-based models, although showing promising results in less complex environments, still struggle to generalize to planetary domains. To serve as a starting point for fundamental path planning research, our code and datasets will be released at: https://github.com/mchancan/PlanetaryPathBench.
• Abstract（参考訳）: プラネタリー・ローバーの探査は、数回の月と火星への宇宙ミッションで新たな関心を集めている。 しかし、以前のミッションからのかなりの量のデータは、経路計画と自律航法研究のために未利用のままである。 結果として、宇宙ミッションベースの惑星データセット、標準化されたベンチマーク、評価プロトコルが不足している。 本稿では,これら3つの研究方向を惑星ローバー経路計画の文脈でコーディネートする。 本稿では,火星と月の高解像度デジタル地形画像から得られた2つの大規模平面ベンチマークデータセットであるMarsPlanBenchとMoonPlanBenchを提案する。 さらに、古典的で学習された経路計画アルゴリズムを統一されたフレームワークで構築し、提案したデータセットと一般的な計画ベンチマークで評価した。 総合的な実験を通じて,惑星地形における代表経路計画アルゴリズムの性能に関する新たな知見を報告した。 以上の結果から,古典的アルゴリズムは,月の北極や南極といった挑戦的な地形を平均して,世界全体の経路計画の成功率を最大100%達成できることが示唆された。 これは例えば、これらのアルゴリズムがNASAによって実際に使われている理由を示唆している。 逆に、学習に基づくモデルは、より複雑な環境では有望な結果を示すが、それでも惑星領域への一般化に苦慮している。 基本的なパス計画研究の出発点として、コードとデータセットは以下の通りリリースされます。

関連論文リスト

• VAD4Space: Visual Anomaly Detection for Planetary Surface Imagery [10.629206528012052]
  惑星探査における自動発見の枠組みとして視覚異常検出について検討する。 実際の惑星画像に対する最新の特徴量に基づくVAD手法の実証評価を行った。 この研究は実践的なベンチマークを確立し、様々なミッションクリティカルなアプリケーションをサポートするためのオープンワールド認識システムの可能性を強調している。
  論文  参考訳（メタデータ） (2026-03-14T15:42:17Z)
• Spatially Grounded Long-Horizon Task Planning in the Wild [49.614308474374035]
  GroundedPlanBenchは、空間的に接地された長距離行動計画のための新しいベンチマークである。 Video-to-Spatially Grounded Planning (V2GP)は、現実のロボットビデオのデモを活用して、空間的地平面の長期計画を改善する自動データ生成フレームワークである。
  論文  参考訳（メタデータ） (2026-03-13T05:42:18Z)
• MarsRetrieval: Benchmarking Vision-Language Models for Planetary-Scale Geospatial Retrieval on Mars [21.01507072531742]
  火星の地理空間探索のための視覚言語モデルを評価するためのベンチマークであるMarsRetrievalを紹介する。 マルチモーダル埋め込みアーキテクチャをベンチマークするための統合検索中心プロトコルを提案する。 我々の評価では、MarsRetrievalは困難であり、強力な基礎モデルでさえしばしばドメイン固有の地形的区別を捉えない。
  論文  参考訳（メタデータ） (2026-02-15T02:41:56Z)
• Mars-Bench: A Benchmark for Evaluating Foundation Models for Mars Science Tasks [7.399515278460871]
  他の領域における進歩の鍵となるのは、体系的な評価をサポートする標準化されたベンチマークが利用可能になったことである。 火星に関する幅広いタスクのモデルを体系的に評価するために設計された最初のベンチマークであるMars-Benchを紹介する。 我々は、自然画像、地球衛星データ、最先端のビジョン言語モデルに基づいて事前訓練されたモデルを用いて、標準化された、使用可能なデータセットとベースライン評価を提供する。
  論文  参考訳（メタデータ） (2025-10-28T02:34:08Z)
• Inpainting the Red Planet: Diffusion Models for the Reconstruction of Martian Environments in Virtual Reality [0.0]
  訓練は、NASAのHiRISE調査から得られた12000個の火星高度マップで実施された。 非均一な再スケーリング戦略は、固定された128x128モデル解像度にリサイズする前に、複数のスケールにわたる地形の特徴をキャプチャする。 その結果,本手法は再建精度(RMSEでは4～15%)と知覚的類似性(LPIPSでは29～81%)において,元のデータより一貫して優れていた。
  論文  参考訳（メタデータ） (2025-10-16T15:02:05Z)
• Federated Multi-Agent Mapping for Planetary Exploration [0.4143603294943439]
  本稿では,エージェント間のグローバルマップモデルを生データを送信することなく,協調的にトレーニングするフェデレーション型マルチエージェントマッピング手法を提案する。 提案手法は暗黙的ニューラルマッピングを利用してパシモニアスで適応可能な表現を生成し,生のマップと比較して最大93.8%のデータを伝送する。 我々は,火星の地形や氷河のデータセットに対するアプローチの有効性を実証し,F1スコアを0.95ポイントまで下方経路計画を達成するとともに,地図の復元損失に勝る結果を得た。
  論文  参考訳（メタデータ） (2024-04-02T20:32:32Z)
• Embedding Earth: Self-supervised contrastive pre-training for dense land cover classification [61.44538721707377]
  本研究では,衛星画像の高可用性を活用するための自己監督型コントラスト事前学習法として,エンベディングアースを提案する。 提案手法による事前学習では, 25%の絶対mIoUが得られた。 学習した特徴は、異なる領域間で一般化され、提案した事前学習スキームの可能性を開放する。
  論文  参考訳（メタデータ） (2022-03-11T16:14:14Z)
• Systematic Comparison of Path Planning Algorithms using PathBench [55.335463666037086]
  パスプランニングはモバイルロボティクスの重要な構成要素である。 学習に基づく経路計画アルゴリズムの開発は、急速な成長を遂げている。 本稿では,パスプランニングアルゴリズムの開発,視覚化,トレーニング,テスト,ベンチマークを行うプラットフォームであるPathBenchについて述べる。
  論文  参考訳（メタデータ） (2022-03-07T01:52:57Z)
• Towards Robust Monocular Visual Odometry for Flying Robots on Planetary Missions [49.79068659889639]
  火星に着陸したばかりのIngenuityは、トラバーサビリティの影響を受けない新時代の探検の始まりとなるでしょう。 高速な光フロートラッキングを用いた高能率単分子オードメトリーアルゴリズムを提案する。 また、相対翻訳情報行列の主成分分析に基づいて、スケールドリフトの現在のリスクを推定する新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-09-12T12:52:20Z)
• PathBench: A Benchmarking Platform for Classical and Learned Path Planning Algorithms [59.3879573040863]
  パスプランニングは、モバイルロボティクスの重要なコンポーネントです。 アルゴリズムを全体的あるいは統一的にベンチマークする試みはほとんど行われていない。 本稿では,パスプランニングアルゴリズムの開発,視覚化,トレーニング,テスト,ベンチマークを行うプラットフォームであるPathBenchについて述べる。
  論文  参考訳（メタデータ） (2021-05-04T21:48:18Z)
• Plan2Vec: Unsupervised Representation Learning by Latent Plans [106.37274654231659]
  Plan2vecは、強化学習にインスパイアされた教師なしの表現学習手法である。 Plan2vecは、近距離を用いて画像データセット上に重み付きグラフを構築し、その局所距離を、計画された経路上の経路積分を蒸留することによって、大域的な埋め込みに外挿する。 1つのシミュレーションと2つの実世界の画像データセットに対する Plan2vec の有効性を実証する。
  論文  参考訳（メタデータ） (2020-05-07T17:52:23Z)

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。