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
• Authors: Pranay Meshram, Charuvahan Adhivarahan, Ehsan Tarkesh Esfahani, Souma Chowdhury, Chen Wang, Karthik Dantu,
• 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

• 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。