論文の概要: TreeLoc: 6-DoF LiDAR Global Localization in Forests via Inter-Tree Geometric Matching

• arxiv url: http://arxiv.org/abs/2602.01501v2
• Date: Tue, 03 Feb 2026 08:23:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-04 13:28:03.722649
• Title: TreeLoc: 6-DoF LiDAR Global Localization in Forests via Inter-Tree Geometric Matching
• Title（参考訳）: TreeLoc: 6-DoF LiDAR 図形間幾何マッチングによる森林域のグローバルな局在化
• Authors: Minwoo Jung, Nived Chebrolu, Lucas Carvalho de Lima, Haedam Oh, Maurice Fallon, Ayoung Kim,
• Abstract要約: 森林のグローバルローカライゼーションフレームワークであるTreeLocを提案する。 多様なフォレストベンチマークでは、TreeLocはベースラインを上回り、正確なローカライゼーションを実現している。 また、コンパクトなグローバルツリーデータベースからのディスクリプタを用いた長期森林管理の応用も提案する。
• 参考スコア（独自算出の注目度）: 7.581546372433995
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Reliable localization is crucial for navigation in forests, where GPS is often degraded and LiDAR measurements are repetitive, occluded, and structurally complex. These conditions weaken the assumptions of traditional urban-centric localization methods, which assume that consistent features arise from unique structural patterns, necessitating forest-centric solutions to achieve robustness in these environments. To address these challenges, we propose TreeLoc, a LiDAR-based global localization framework for forests that handles place recognition and 6-DoF pose estimation. We represent scenes using tree stems and their Diameter at Breast Height (DBH), which are aligned to a common reference frame via their axes and summarized using the tree distribution histogram (TDH) for coarse matching, followed by fine matching with a 2D triangle descriptor. Finally, pose estimation is achieved through a two-step geometric verification. On diverse forest benchmarks, TreeLoc outperforms baselines, achieving precise localization. Ablation studies validate the contribution of each component. We also propose applications for long-term forest management using descriptors from a compact global tree database. TreeLoc is open-sourced for the robotics community at https://github.com/minwoo0611/TreeLoc.
• Abstract（参考訳）: GPSは劣化し、LiDAR測定は反復的、閉鎖的、構造的に複雑である。 これらの条件は、伝統的な都市中心のローカライゼーション手法の仮定を弱め、一貫した特徴は独特の構造パターンから生じ、これらの環境において堅牢性を達成するために森林中心のソリューションを必要とすると仮定する。 これらの課題に対処するために、位置認識と6-DoFポーズ推定を扱う森林を対象としたLiDARベースのグローバルローカライゼーションフレームワークであるTreeLocを提案する。 本研究は, 樹幹と乳頭高さの直径を軸を介して共通基準フレームに整列し, 木分布ヒストグラム(TDH)を用いて粗いマッチングを行い, 2次元三角形ディスクリプタと微調整したシーンを表現した。 最後に、ポーズ推定は2段階の幾何学的検証によって達成される。 多様なフォレストベンチマークでは、TreeLocはベースラインを上回り、正確なローカライゼーションを実現している。 アブレーション研究は各成分の寄与を検証する。 また、コンパクトなグローバルツリーデータベースからの記述子を用いた長期森林管理の応用を提案する。 TreeLocは、ロボットコミュニティのためにhttps://github.com/minwoo0611/TreeLocでオープンソース化されている。

関連論文リスト

• Fast Inference of Visual Autoregressive Model with Adjacency-Adaptive Dynamical Draft Trees [50.230925890958936]
  本稿では,隣接するトークン状態と先行受入率を活用することで,ドラフトツリーの深さと幅を調整できる適応型動的ドラフトツリーを提案する。 ADT-Treeは、それぞれ3.13xと3.05xのスピードアップを実現し、LANTERNのような緩やかなサンプリング手法とシームレスに統合する。
  論文  参考訳（メタデータ） (2025-12-26T04:45:49Z)
• ForestLPR: LiDAR Place Recognition in Forests Attentioning Multiple BEV Density Images [38.727720300337296]
  本研究では,自然林におけるロバストなLiDARを用いた位置認識手法であるフォレストLPRを提案する。 異なる高さの森の地形の断面画像には、ある場所を再訪するために必要な情報が含まれている。 提案手法では,視覚変換器を共有バックボーンとして使用し,局所記述子の集合を生成する。
  論文  参考訳（メタデータ） (2025-03-06T14:24:22Z)
• ReTreever: Tree-based Coarse-to-Fine Representations for Retrieval [64.44265315244579]
  そこで本研究では,様々なレベルで参照文書を整理し,表現するためのツリーベース手法を提案する。 我々の手法はReTreeverと呼ばれ、クエリと参照ドキュメントが同様のツリーブランチに割り当てられるように、バイナリツリーの内部ノード毎のルーティング関数を共同で学習する。 我々の評価では、ReTreeverは一般的に完全な表現精度を保っている。
  論文  参考訳（メタデータ） (2025-02-11T21:35:13Z)
• NeRF-Accelerated Ecological Monitoring in Mixed-Evergreen Redwood Forest [0.0]
  混合常緑樹林における幹径推定を目的としたMLSとNeRF林の復元の比較を行った。 凸ハルモデルを用いた改良DBH推定法を提案する。
  論文  参考訳（メタデータ） (2024-10-09T20:32:15Z)
• Learning a Decision Tree Algorithm with Transformers [75.96920867382859]
  メタ学習によってトレーニングされたトランスフォーマーベースのモデルであるMetaTreeを導入し、強力な決定木を直接生成する。 我々は、多くのデータセットに欲求決定木とグローバルに最適化された決定木の両方を適合させ、MetaTreeを訓練して、強力な一般化性能を実現する木のみを生成する。
  論文  参考訳（メタデータ） (2024-02-06T07:40:53Z)
• AdaTreeFormer: Few Shot Domain Adaptation for Tree Counting from a Single High-Resolution Image [11.649568595318307]
  本稿では,十分なラベル付き木を用いてソースドメインから学習するフレームワークを提案する。 限られた数のラベル付き木しか持たないターゲットドメインに適合する。 実験の結果、AdaTreeFormerは最先端の技術をはるかに上回っていることがわかった。
  論文  参考訳（メタデータ） (2024-02-05T12:34:03Z)
• TreeFormer: a Semi-Supervised Transformer-based Framework for Tree Counting from a Single High Resolution Image [6.789370732159176]
  単一空中・衛星画像を用いた木密度推定と推定は,光度測定とリモートセンシングにおいて難しい課題である。 リモートセンシング画像に対する高価なツリーアノテーションを低減させる,ツリーカウントのための最初の半教師付きトランスフォーマーベースのフレームワークを提案する。 我々のモデルは、JiosuとYosemiteという2つのベンチマークツリーカウントデータセットと、彼ら自身が作成した新しいデータセットKCL-Londonで評価された。
  論文  参考訳（メタデータ） (2023-07-12T12:19:36Z)
• 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)
• Growing Deep Forests Efficiently with Soft Routing and Learned Connectivity [79.83903179393164]
  この論文は、いくつかの重要な側面で深い森林のアイデアをさらに拡張します。 我々は、ノードがハードバイナリ決定ではなく、確率的ルーティング決定、すなわちソフトルーティングを行う確率的ツリーを採用する。 MNISTデータセットの実験は、私たちの力のある深部森林が[1]、[3]よりも優れたまたは匹敵するパフォーマンスを達成できることを示しています。
  論文  参考訳（メタデータ） (2020-12-29T18:05:05Z)

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。