論文の概要: Markerless Robot Detection and 6D Pose Estimation for Multi-Agent SLAM

• arxiv url: http://arxiv.org/abs/2602.16308v1
• Date: Wed, 18 Feb 2026 09:38:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:41.534827
• Title: Markerless Robot Detection and 6D Pose Estimation for Multi-Agent SLAM
• Title（参考訳）: マルチエージェントSLAMにおけるマーカレスロボット検出と6次元位置推定
• Authors: Markus Rueggeberg, Maximilian Ulmer, Maximilian Durner, Wout Boerdijk, Marcus Gerhard Mueller, Rudolph Triebel, Riccardo Giubilato,
• Abstract要約: マルチロボットSLAMアプローチは、ローカライゼーション履歴と異なるオブザーバからのマップをマージするものであり、データアソシエーションの確立が困難である。 本稿では,Deep-Learningに基づく6次元ポーズ推定の最近の進歩を活用する新しい手法を提案する。 分散型マルチロボットSLAMシステムの一部としてマーカレスポーズ推定を特徴とし,ロボットチーム間の相対的な位置推定精度の利点を示す。
• 参考スコア（独自算出の注目度）: 9.016715022913793
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The capability of multi-robot SLAM approaches to merge localization history and maps from different observers is often challenged by the difficulty in establishing data association. Loop closure detection between perceptual inputs of different robotic agents is easily compromised in the context of perceptual aliasing, or when perspectives differ significantly. For this reason, direct mutual observation among robots is a powerful way to connect partial SLAM graphs, but often relies on the presence of calibrated arrays of fiducial markers (e.g., AprilTag arrays), which severely limits the range of observations and frequently fails under sharp lighting conditions, e.g., reflections or overexposure. In this work, we propose a novel solution to this problem leveraging recent advances in Deep-Learning-based 6D pose estimation. We feature markerless pose estimation as part of a decentralized multi-robot SLAM system and demonstrate the benefit to the relative localization accuracy among the robotic team. The solution is validated experimentally on data recorded in a test field campaign on a planetary analogous environment.
• Abstract（参考訳）: ローカライゼーション履歴と異なるオブザーバからのマップをマージするためのマルチロボットSLAMアプローチの能力は、データアソシエーションの確立の難しさによってしばしば疑問視される。 異なるロボットエージェントの知覚的入力間のループクロージャ検出は、知覚的エイリアスや視点が著しく異なる場合において容易に妥協される。 このため、ロボット間の直接観測は、部分的なSLAMグラフを接続する強力な方法であるが、しばしばキャリブレーションされたフィデューシャルマーカー(例えば、エイプリルタグ配列)の存在に依存し、観察範囲を著しく制限し、シャープな照明条件下(例えば、反射や過剰露光)で頻繁に失敗する。 本研究では,Deep-Learningに基づく6次元ポーズ推定の最近の進歩を活用して,この問題に対する新しい解決策を提案する。 分散型マルチロボットSLAMシステムの一部としてマーカレスポーズ推定を特徴とし,ロボットチーム間の相対的な位置推定精度の利点を示す。 この解は、惑星の類似環境における試験場キャンペーンで記録されたデータに基づいて実験的に検証される。

関連論文リスト

• Zero-shot HOI Detection with MLLM-based Detector-agnostic Interaction Recognition [71.5328300638085]
  Zero-shot Human-Object Interaction (HOI) は、画像中の人間と物体を特定し、その相互作用を認識することを目的としている。 2段階法を含む既存の手法は、特定の検出器との相互作用認識を密に結合する。 本稿では、オブジェクト検出をIRから分離し、マルチモーダル大言語モデル(MLLM)をゼロショットIRに活用する分離フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-16T19:01:31Z)
• Towards agile multi-robot systems in the real world: Fast onboard tracking of active blinking markers for relative localization [6.658153435676109]
  マルチロボットチームメンバーの活発な点滅マーカーは、実世界展開における航空機の相対的位置付けの堅牢性を改善する。 従来の追跡アルゴリズムは、カメラフレームに断続的に現れるため、素早く動く点滅マーカーに苦しむ。 屋外実験では、AMTアプローチは密度、精度、複雑さを追跡する最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2025-02-03T09:05:00Z)
• MimicGait: A Model Agnostic approach for Occluded Gait Recognition using Correlational Knowledge Distillation [40.75942030089628]
  我々は,オクルージョンの存在下で歩行認識のためのモデルに依存しないアプローチであるMimicGaitを提案する。 対象者の閉鎖歩行パターンにおけるシーケンス間相関とシーケンス内相関の両方を捉えるために,マルチインスタンス相関蒸留損失を用いてネットワークを訓練する。 我々は,GREW,Gait3D,BRIARといった実世界のデータセットに対するアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2025-01-26T20:23:44Z)
• DiffuBox: Refining 3D Object Detection with Point Diffusion [74.01759893280774]
  本研究では,3次元物体の検出と局所化を確保するために,新しい拡散型ボックス精細化手法を提案する。 この方法は、粗いバウンディングボックスを囲むLiDAR点に条件付きドメインに依存しない拡散モデルを用いて、ボックスの位置、サイズ、方向を同時に洗練する。 結果から,異なるデータセット,オブジェクトクラス,検出器間での大幅な改善が示された。
  論文  参考訳（メタデータ） (2024-05-25T03:14:55Z)
• Robust Collaborative Perception without External Localization and Clock Devices [52.32342059286222]
  複数のエージェントをまたいだ一貫した空間的時間的調整は、協調的な知覚の基礎である。 従来の手法は、ローカライゼーションとクロック信号を提供するために外部デバイスに依存している。 本稿では,様々なエージェントの知覚データに内在する幾何学的パターンを認識して整列する手法を提案する。
  論文  参考訳（メタデータ） (2024-05-05T15:20:36Z)
• LCPR: A Multi-Scale Attention-Based LiDAR-Camera Fusion Network for Place Recognition [11.206532393178385]
  本稿では,マルチモーダル位置認識のための新しいニューラルネットワークLCPRを提案する。 位置認識性能を向上させるために,マルチビューカメラとLiDARデータを効果的に利用することができる。
  論文  参考訳（メタデータ） (2023-11-06T15:39:48Z)
• Kimera-Multi: Robust, Distributed, Dense Metric-Semantic SLAM for Multi-Robot Systems [92.26462290867963]
  Kimera-Multiは、最初のマルチロボットシステムであり、不正なインターループとイントラロボットループの閉鎖を識別し拒否することができる。 我々は、フォトリアリスティックシミュレーション、SLAMベンチマークデータセット、地上ロボットを用いて収集された屋外データセットの挑戦において、Kimera-Multiを実証した。
  論文  参考訳（メタデータ） (2021-06-28T03:56:40Z)
• LatentSLAM: unsupervised multi-sensor representation learning for localization and mapping [7.857987850592964]
  低次元潜在状態記述子を生成する教師なし表現学習手法を提案する。 本手法はセンサ非依存であり,任意のセンサモダリティに適用可能である。 複数のセンサを組み合わせることで、偽の一致数を減らすことで堅牢性が向上することを示す。
  論文  参考訳（メタデータ） (2021-05-07T13:44:32Z)
• SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier Detection [63.253850875265115]
  外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。 そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
  論文  参考訳（メタデータ） (2020-03-11T00:22:50Z)

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。