論文の概要: Active Semantic Mapping of Horticultural Environments Using Gaussian Splatting

• arxiv url: http://arxiv.org/abs/2601.12122v1
• Date: Sat, 17 Jan 2026 17:46:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-30 05:45:04.776989
• Title: Active Semantic Mapping of Horticultural Environments Using Gaussian Splatting
• Title（参考訳）: ガウススプラッティングを用いた園芸環境のアクティブセマンティックマッピング
• Authors: Jose Cuaran, Naveen K. Upalapati, Girish Chowdhary,
• Abstract要約: 移動マニピュレータを用いた園芸環境のためのアクティブな3次元再構築フレームワークを提案する。 提案システムは,従来のOctomap表現と3次元ガウススプラッティングを統合し,高精度かつ効率的な目標認識マッピングを実現する。 分解能0.01mオクトマップに比べて, ノイズフリー条件下では果実レベルのF1スコアが6.6%, セグメンテーションノイズ下では28.6%向上した。
• 参考スコア（独自算出の注目度）: 8.23660331371415
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Semantic reconstruction of agricultural scenes plays a vital role in tasks such as phenotyping and yield estimation. However, traditional approaches that rely on manual scanning or fixed camera setups remain a major bottleneck in this process. In this work, we propose an active 3D reconstruction framework for horticultural environments using a mobile manipulator. The proposed system integrates the classical Octomap representation with 3D Gaussian Splatting to enable accurate and efficient target-aware mapping. While a low-resolution Octomap provides probabilistic occupancy information for informative viewpoint selection and collision-free planning, 3D Gaussian Splatting leverages geometric, photometric, and semantic information to optimize a set of 3D Gaussians for high-fidelity scene reconstruction. We further introduce simple yet effective strategies to enhance robustness against segmentation noise and reduce memory consumption. Simulation experiments demonstrate that our method outperforms purely occupancy-based approaches in both runtime efficiency and reconstruction accuracy, enabling precise fruit counting and volume estimation. Compared to a 0.01m-resolution Octomap, our approach achieves an improvement of 6.6% in fruit-level F1 score under noise-free conditions, and up to 28.6% under segmentation noise. Additionally, it achieves a 50% reduction in runtime, highlighting its potential for scalable, real-time semantic reconstruction in agricultural robotics.
• Abstract（参考訳）: 農業シーンのセマンティックな再構築は、表現型付けや収量推定といったタスクにおいて重要な役割を担っている。 しかし、手動スキャンや固定カメラのセットアップに依存する従来のアプローチは、このプロセスにおいて依然として大きなボトルネックとなっている。 本研究では,移動マニピュレータを用いた園芸環境のためのアクティブな3次元再構築フレームワークを提案する。 提案システムは,従来のOctomap表現と3次元ガウススプラッティングを統合し,高精度かつ効率的な目標認識マッピングを実現する。 低解像度のOctomapは、情報的視点選択と衝突のない計画のための確率的占有情報を提供するが、3Dガウススプラッティングは幾何学的、測光的、意味的な情報を活用して、高忠実なシーン再構成のための3Dガウスのセットを最適化する。 さらに,セグメンテーションノイズに対するロバスト性を高め,メモリ消費を減らすための簡易かつ効果的な戦略を導入する。 シミュレーション実験により,本手法は実行効率と再現精度の両方において純粋に占有率に基づくアプローチよりも優れており,果実の正確な数と体積推定が可能であることが示された。 分解能0.01mオクトマップに比べて, ノイズフリー条件下では果実レベルのF1スコアが6.6%, セグメンテーションノイズ下では28.6%向上した。 さらに、50パーセントのランタイム削減を実現し、農業ロボティクスにおけるスケーラブルでリアルタイムなセマンティックな再構築の可能性を強調している。

関連論文リスト

• QuickSplat: Fast 3D Surface Reconstruction via Learned Gaussian Initialization [69.50126552763157]
  表面再構成はコンピュータビジョンとグラフィックスの基本であり、3Dモデリング、混合現実、ロボット工学などの応用を可能にする。 レンダリングに基づく既存のアプローチは有望な結果を得るが、シーンごとに最適化されるため、テクスチャレスな領域をモデル化するのに苦労する可能性がある。 大規模屋内シーンの2次元ガウススプラッティング最適化のための高密度初期化を生成するために,データ駆動の先行処理を学習するQuickSplatを紹介する。
  論文  参考訳（メタデータ） (2025-05-08T18:43:26Z)
• HGSLoc: 3DGS-based Heuristic Camera Pose Refinement [13.393035855468428]
  HGSLocは、新しい軽量なプラグアンドプレイポーズ最適化フレームワークである。 3次元再構成と精細化戦略を統合して、より高いポーズ推定精度を実現する。 提案手法は,NeRFを用いたニューラルローカライゼーション手法と比較して高い位置推定精度を示す。
  論文  参考訳（メタデータ） (2024-09-17T06:48:48Z)
• GS-SLAM: Dense Visual SLAM with 3D Gaussian Splatting [51.96353586773191]
  我々は,まず3次元ガウス表現を利用したtextbfGS-SLAM を提案する。 提案手法は,地図の最適化とRGB-Dレンダリングの大幅な高速化を実現するリアルタイム微分可能なスプレイティングレンダリングパイプラインを利用する。 提案手法は,Replica,TUM-RGBDデータセット上の既存の最先端リアルタイム手法と比較して,競争性能が向上する。
  論文  参考訳（メタデータ） (2023-11-20T12:08:23Z)

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。