論文の概要: CLEAR: A Semantic-Geometric Terrain Abstraction for Large-Scale Unstructured Environments
- arxiv url: http://arxiv.org/abs/2601.13361v1
- Date: Mon, 19 Jan 2026 19:56:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-23 08:17:40.852669
- Title: CLEAR: A Semantic-Geometric Terrain Abstraction for Large-Scale Unstructured Environments
- Title（参考訳）: CLEAR: 大規模非構造環境のための意味幾何学的地形抽象化
- Abstract要約: 非構造環境における長い水平航法は、意味的構造と幾何学的構造を保ちながら、数十 km$2$にスケールする地形の抽象化を要求する。
CLEARは6.7%のコストオーバーヘッドしか持たない生のグリッドよりも最大10倍高速な計画を実現している。
これらの結果は,災害対応,防衛,惑星探査などのアプリケーションにおける長距離航法のためのCLEARのスケーラビリティと有用性を強調している。
- 参考スコア（独自算出の注目度）: 11.194775463742046
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Long-horizon navigation in unstructured environments demands terrain abstractions that scale to tens of km$^2$ while preserving semantic and geometric structure, a combination existing methods fail to achieve. Grids scale poorly; quadtrees misalign with terrain boundaries; neither encodes landcover semantics essential for traversability-aware planning. This yields infeasible or unreliable paths for autonomous ground vehicles operating over 10+ km$^2$ under real-time constraints. CLEAR (Connected Landcover Elevation Abstract Representation) couples boundary-aware spatial decomposition with recursive plane fitting to produce convex, semantically aligned regions encoded as a terrain-aware graph. Evaluated on maps spanning 9-100~km$^2$ using a physics-based simulator, CLEAR achieves up to 10x faster planning than raw grids with only 6.7% cost overhead and delivers 6-9% shorter, more reliable paths than other abstraction baselines. These results highlight CLEAR's scalability and utility for long-range navigation in applications such as disaster response, defense, and planetary exploration.
- Abstract（参考訳）: 非構造環境における長い水平航法は、意味的構造と幾何学的構造を保ちながら、数十 km$^2$にスケールする地形抽象化を必要とするが、既存の手法の組み合わせは達成できない。
グリッドはスケールが悪く、クワッドツリーは地形境界と不一致であり、どちらもトラバーサビリティ・アウェア・プランニングに不可欠なランドカバー・セマンティクスをコード化していない。
これにより、リアルタイムの制約の下で10+ km$^2$以上を走行する自動運転車にとって、実現不可能または信頼性の低い経路が得られる。
CLEAR (Connected Landcover Elevation Abstract Representation) は、境界対応空間分解と再帰平面フィッティングを結合して、地形対応グラフとして符号化された凸、意味的に整合した領域を生成する。
9-100~km$^2$の地図を物理ベースのシミュレータで評価すると、CLEARは6.7%のコストオーバーヘッドしか持たない生グリッドよりも最大10倍高速な計画を実現し、他の抽象化ベースラインよりも6-9%短い信頼性の高いパスを提供する。
これらの結果は,災害対応,防衛,惑星探査などのアプリケーションにおける長距離航法のためのCLEARのスケーラビリティと有用性を強調している。
関連論文リスト
- TASG-Explore: Traversability-Aware Sector-Guided Exploration for Ground Robot on Uneven Terrain [20.259150956128746]
TASG-Exploreは、地上ロボットのためのトラバーサビリティ対応のセクター誘導探査フレームワークである。
まず、可変ボクセルグラウンドフィッティングと適応8ビット障害物符号化を用いた階層的トラバーサビリティ解析を行う。
セクター誘導プランナーは、地域目標を選択し、ローカル視点を挿入して効率的な探索経路を生成する。
論文 参考訳（メタデータ） (2026-09-08T09:58:32Z) - Open-Set 3D Scene Graphs for Field Robotics: An Outdoor Case Study [5.807679246334387]
3次元シーングラフ(3DSG)は幾何学的に接地された意味情報を持つ地図を構築するための有望なアプローチとして現れている。
複雑な屋外環境において発生する課題を特徴付けるために、5つの屋外ロボットデータセットにまたがるほとんどの3DSG表現に共通するコンポーネントを分析した。
以上の結果から,屋外3DSGはコンパクト(マルチキロメータトラジェクトリの600$MB以下)と比較的一貫した大規模環境表現を維持できることが示唆された。
論文 参考訳（メタデータ） (2026-09-04T01:14:09Z) - Learning Traversability-Aware Global Planners for Long Horizon Off-Road Navigation [4.184845027588593]
オーバヘッドデータから連続的トラバーサビリティマップを学習する効率的な定式化を提案する。
1244,mathrmkm2$の多様な地形と130,mathrmkm2$の人間の運転を合わせた299のシーンの公開データセットを公開しました。
クリアパス・ワーソーグ(Clearpath Warthog)のフィールドトライアルでは、2つの場所で7つのルートを横断し、3.66%の人道長の軌道を達成し、ローカルプランナーと比較してオペレーターの介入を$sim!85%減らす。
論文 参考訳（メタデータ） (2026-07-26T16:36:35Z) - From Distances to Trajectories: Real-Time Signed Distance Function Mapping and Distance-Accelerated Motion Planning for UAVs [8.393016378205752]
我々は、マッピングとプランニングは単一の表現を中心に共同設計されるべきであると主張する:符号付き距離関数(SDF)。
タンデムでは、距離情報を利用して最大衝突のない球を成長させる検索ベースのプランナーであるBubble$star$を開発する。
計算制約の厳密な条件下で室内環境をリアルタイムでナビゲートし,四角形回路上でのOREN-Bubble$star$アプローチを実演する。
論文 参考訳（メタデータ） (2026-07-21T17:18:46Z) - LeCropFollow: Latent Space Planning for Navigation in Unstructured Crop Fields [7.898784066160524]
本稿では,視覚ナビゲーションフレームワークLeCropFollowについて述べる。
その結果,LeCropFollowは非構造行で最先端のベースラインと一致しているが,プランテーションギャップでは著しく優れていた。
これらの結果から,不均一な農業環境下での運用において,潜在計画が幾何的推定に頑健な代替手段となることが示唆された。
論文 参考訳（メタデータ） (2026-06-30T16:47:08Z) - Meridian: Metric-Semantic Primitive Matching for Cross-View Geo-Localization Beyond Urban Environments [47.53030013880309]
ロボット自動化の成功には、リピータビリティ、タスク計画、目標仕様、安全な操作をサポートするために、正確なグローバルローカライゼーションが必要である。
本稿では,空中画像と地上ロボットRGB-Dカメラデータにまたがって,ハイレベルなメトリック・セマンティックプリミティブをマッチングする方法であるメリディアンを提案する。
我々のアルゴリズムは、自律運転データセット、公園とキャンパスのエリア、荒野キャンプなど、幅広い環境にまたがる地上ロボットをローカライズできることを実証する。
論文 参考訳（メタデータ） (2026-06-04T15:52:40Z) - LiAuto-GeoX: Efficient Grounded Driving Transformer [54.23823436153608]
デプロイ可能なエゴ中心の3Dシーン理解のための効率的な基底駆動トランスフォーマである textbfLiAuto-GeoX を提案する。
textbfLiAuto-GeoX は KITTI 上で 220 FPS で動作し,高忠実度高密度化を保ち,リアルタイムな展開を実現している。
論文 参考訳（メタデータ） (2026-06-04T06:58:44Z) - Seeing Where to Deploy: Metric RGB-Based Traversability Analysis for Aerial-to-Ground Hidden Space Inspection [48.120690574682875]
本稿では,RGBを用いた幾何学的意味的再構成と,空中から地上への隠れ空間検査のためのトラベル可能性解析フレームワークを提案する。
テザリングされたUAV-UGVプラットフォームでの実験では、隠れた空間シナリオにおける信頼性の高いデプロイメントゾーンの識別が示されている。
論文 参考訳（メタデータ） (2026-03-15T22:20:59Z) - Hybrid Context-Fusion Attention (CFA) U-Net and Clustering for Robust Seismic Horizon Interpretation [1.8627637926778255]
本稿では,高度U-Net変種と空間クラスタリングを統合し,地平線連続性と幾何学的忠実度を向上させるハイブリッドフレームワークを提案する。
このフレームワークは、メキシルハオフィールド(ブラジルのサントス盆地)のデータセットに0.881と2.49msの検証IoUと2.49msのMAEの検証を行い、北海のデータセットのF3ブロックでは97.6%の優れた表面カバレッジを実現している。
論文 参考訳（メタデータ） (2025-11-28T20:14:53Z) - 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) - Outdoor Scene Extrapolation with Hierarchical Generative Cellular Automata [70.9375320609781]
我々は,自律走行車(AV)で多量に捕獲された大規模LiDARスキャンから微細な3次元形状を生成することを目指している。
本稿では,空間的にスケーラブルな3次元生成モデルである階層型生成セルオートマトン (hGCA) を提案する。
論文 参考訳（メタデータ） (2024-06-12T14:56:56Z) - Complex Terrain Navigation via Model Error Prediction [5.937673383513695]
私たちは、オンラインのアプローチでトレーニングを行い、その結果、シミュレーションと現実世界にまたがる、50分間のトレーニングデータを使用して、ナビゲーションポリシーを成功させました。
学習に基づくナビゲーションシステムは,Clearpath Huskyが様々な地形を航行する様子を実演する,効率的な短期プランナーである。
論文 参考訳（メタデータ） (2021-11-18T15:55:04Z) - SPIN Road Mapper: Extracting Roads from Aerial Images via Spatial and
Interaction Space Graph Reasoning for Autonomous Driving [64.10636296274168]
道路抽出は、自律航法システムを構築するための重要なステップである。
この問題に対して単に畳み込みニューラルネットワーク(ConvNets)を使用することは、画像内の道路セグメント間の遠い依存関係をキャプチャする非効率であるため、効果がない。
本研究では,ConvNetに接続した時,特徴写像から投影された空間空間および相互作用空間上に構築されたグラフの推論を行う空間空間グラフ推論(SPIN)モジュールを提案する。
論文 参考訳（メタデータ） (2021-09-16T03:52:17Z) - 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)
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。