論文の概要: Advanced techniques and applications of LiDAR Place Recognition in Agricultural Environments: A Comprehensive Survey

• arxiv url: http://arxiv.org/abs/2601.22198v1
• Date: Thu, 29 Jan 2026 15:28:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-02 18:28:14.993368
• Title: Advanced techniques and applications of LiDAR Place Recognition in Agricultural Environments: A Comprehensive Survey
• Title（参考訳）: 農業環境におけるLiDAR位置認識の高度化と応用:総合調査
• Authors: Judith Vilella-Cantos, Mónica Ballesta, David Valiente, María Flores, Luis Payá,
• Abstract要約: 本研究は,農業環境とLPR技術に対する最新のディープラーニング応用の現状を概説する。 これらの環境で生じる課題に焦点を合わせます。
• 参考スコア（独自算出の注目度）: 1.7783814522448076
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: An optimal solution to the localization problem is essential for developing autonomous robotic systems. Apart from autonomous vehicles, precision agriculture is one of the elds that can bene t most from these systems. Although LiDAR place recognition is a widely used technique in recent years to achieve accurate localization, it is mostly used in urban settings. However, the lack of distinctive features and the unstructured nature of agricultural environments make place recognition challenging. This work presents a comprehensive review of state-of-the-art the latest deep learning applications for agricultural environments and LPR techniques. We focus on the challenges that arise in these environments. We analyze the existing approaches, datasets, and metrics used to evaluate LPR system performance and discuss the limitations and future directions of research in this eld. This is the rst survey that focuses on LiDAR based localization in agricultural settings, with the aim of providing a thorough understanding and fostering further research in this specialized domain.
• Abstract（参考訳）: ローカライゼーション問題の最適解法は、自律ロボットシステムの開発に不可欠である。 自動運転車以外では、精密農業はこれらのシステムから最も恩恵を受けることができるエルドの1つである。 近年、LiDARの位置認識は正確な位置認識を実現するために広く使われている手法であるが、主に都市部で使われている。 しかし、特異な特徴の欠如と農業環境の非構造的な性質は、場所認識を困難にしている。 本研究は、農業環境とLPR技術に対する最新のディープラーニング応用の総合的なレビューを示す。 これらの環境で生じる課題に焦点を合わせます。 我々は,LPRシステムの性能評価に使用されている既存のアプローチ,データセット,メトリクスを分析し,本eldにおける研究の限界と今後の方向性について議論する。 これは、LiDARに基づく農業環境のローカライゼーションに焦点を当てたrstサーベイであり、この専門分野における詳細な理解とさらなる研究を促進することを目的としている。

関連論文リスト

• Low Cost, High Efficiency: LiDAR Place Recognition in Vineyards with Matryoshka Representation Learning [2.5072568692549964]
  我々は、ブドウ園環境における最先端の手法を超越した、軽量でディープラーニングベースの手法であるMinkUNeXt-VINEを提案する。 提案手法は,低コストでスパースなLiDAR入力と低次元出力で高効率な実時間シナリオを実現するため,性能の向上を優先する。 その結果,提案手法により得られたトレードオフ出力の効率性や,低コストかつ低解像度な入力データに対する堅牢な性能が示された。
  論文  参考訳（メタデータ） (2026-01-26T17:38:56Z)
• Geospatial Soil Quality Analysis: A Roadmap for Integrated Systems [0.0]
  土壌品質(SQ)は、持続可能な農業、環境保全、土地利用計画において重要な役割を担っている。 従来のSQアセスメント技術は、コストが高く、労働集約的なサンプリングと実験室の分析に依存し、空間的および時間的カバレッジを制限する。 地理情報システム(GIS)、リモートセンシング、機械学習(ML)の進歩は効率的なSQ評価を可能にした。 本稿では,多ソース土壌データ,GISおよびリモートセンシングツール,および透過的かつスケーラブルな土壌品質評価を支援する機械学習技術を統合する,統一的でモジュール化されたパイプラインを提案する。
  論文  参考訳（メタデータ） (2025-12-10T16:40:12Z)
• AI in Agriculture: A Survey of Deep Learning Techniques for Crops, Fisheries and Livestock [77.95897723270453]
  作物、漁業、家畜が世界の食料生産のバックボーンを形成し、成長を続ける世界の人口を養うのに不可欠である。 これらの問題に対処するには、効率的で正確でスケーラブルな技術ソリューションが必要であり、人工知能(AI)の重要性を強調している。 本調査では,従来の機械学習アプローチ,高度なディープラーニング技術,最新のビジョン言語基礎モデルなど,200以上の研究成果を体系的かつ徹底的にレビューする。
  論文  参考訳（メタデータ） (2025-07-29T17:59:48Z)
• AGRO: An Autonomous AI Rover for Precision Agriculture [2.0971479389679333]
  無人地上車両(UGV)は、精密農業の世界で重要なツールとして浮上している。 本研究は、農業分野を自律的に横断し、データをキャプチャできるUGVの開発に焦点を当てる。 このプロジェクトはAGRO(Autonomous Ground Rover Observer)と呼ばれ、機械学習、コンピュータビジョン、その他のセンサー技術を活用している。
  論文  参考訳（メタデータ） (2025-05-02T11:44:26Z)
• A Survey on RAG Meeting LLMs: Towards Retrieval-Augmented Large Language Models [71.25225058845324]
  大規模言語モデル(LLM)は、言語理解と生成において革命的な能力を示している。 Retrieval-Augmented Generation (RAG)は、信頼性と最新の外部知識を提供する。 RA-LLMは、モデルの内部知識に頼るのではなく、外部および権威的な知識ベースを活用するために登場した。
  論文  参考訳（メタデータ） (2024-05-10T02:48:45Z)
• Reuse out-of-year data to enhance land cover mappingvia feature disentanglement and contrastive learning [5.936030178022172]
  土地利用/土地被覆(LULC)地図は、農業領域の管理、環境モニタリング、持続可能な意思決定を支援する上で重要な役割を果たしている。 新しい基底真理データを収集する必要があるため、以前に収集された参照データを完全に無視する。 本稿では,2つの異なる領域からのリモートセンシングと参照データを組み合わせたディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-04-17T07:00:20Z)
• Domain Generalization for Crop Segmentation with Standardized Ensemble Knowledge Distillation [42.39035033967183]
  サービスロボットは、周囲を理解し、野生のターゲットを識別するリアルタイム認識システムが必要です。 しかし、既存の方法はしばしば、新しい作物や環境条件への一般化において不足している。 本稿では,知識蒸留を用いた領域一般化手法を提案する。
  論文  参考訳（メタデータ） (2023-04-03T14:28:29Z)
• Information Extraction in Low-Resource Scenarios: Survey and Perspective [56.5556523013924]
  情報抽出は構造化されていないテキストから構造化された情報を導き出そうとする。 本稿では,emphLLMおよびemphLLMに基づく低リソースIEに対するニューラルアプローチについて概説する。
  論文  参考訳（メタデータ） (2022-02-16T13:44:00Z)
• Jalisco's multiclass land cover analysis and classification using a novel lightweight convnet with real-world multispectral and relief data [51.715517570634994]
  本稿では、LC分類と解析を行うために、新しい軽量(89kパラメータのみ)畳み込みニューラルネットワーク(ConvNet)を提案する。 本研究では,実世界のオープンデータソースを3つ組み合わせて13のチャネルを得る。 組込み分析は、いくつかのクラスにおいて限られたパフォーマンスを期待し、最も類似したクラスをグループ化する機会を与えてくれます。
  論文  参考訳（メタデータ） (2022-01-26T14:58:51Z)

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。