論文の概要: A Reliable Indoor Navigation System for Humans Using AR-based Technique
- arxiv url: http://arxiv.org/abs/2602.23706v1
- Date: Fri, 27 Feb 2026 06:18:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-02 19:48:24.274873
- Title: A Reliable Indoor Navigation System for Humans Using AR-based Technique
- Title（参考訳）: AR技術を用いた人間のための信頼性の高い室内ナビゲーションシステム
- Authors: Vijay U. Rathod, Manav S. Sharma, Shambhavi Verma, Aadi Joshi, Sachin Aage, Sujal Shahane,
- Abstract要約: Vuforia Area Target(Vuforia Area Target)が環境モデリングに使われている。
Dijkstraのアルゴリズムと比較すると、より小さな検索空間では2倍から3倍高速な解が得られる。
その結果、既存のパスフィンディングアルゴリズムと統合されたAR技術は実現可能でスケーラブルであることがわかった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Reliable navigation systems are not available indoors, such as in campuses and small areas. Users must depend on confusing, time-consuming static signage or floor maps. In this paper, an AR-based technique has been applied to campus and small-site navigation, where Vuforia Area Target is used for environment modeling. AI navigation's NavMesh component is used for navigation purposes, and the A* algorithm is used within this component for shortest path calculation. Compared to Dijkstra's algorithm, it can reach a solution about two to three times faster for smaller search spaces. In many cases, Dijkstra's algorithm has difficulty performing well in high-complexity environments where memory usage grows and processing times increase. Compared to older approaches such as GPS, real-time processing and AR overlays can be combined to provide intuitive directions for users while dynamically updating the path in response to environmental changes. Experimental results indicate significantly improved navigation accuracy, better user experience, and greater efficiency compared to traditional methods. These results show that AR technology integrated with existing pathfinding algorithms is feasible and scalable, making it a user-friendly solution for indoor navigation. Although highly effective in limited and defined indoor spaces, further optimization of NavMesh is required for large or highly dynamic environments.
- Abstract（参考訳）: 信頼性の高いナビゲーションシステムは、キャンパスや小さなエリアなど屋内では利用できない。
ユーザーは混乱し、時間を要する静的な標識やフロアマップに頼らなければならない。
本稿では,Vuforia Area Targetが環境モデリングに使用されるキャンパスや小地点のナビゲーションにAR技術を適用した。
AIナビゲーションのNavMeshコンポーネントはナビゲーション目的に使用され、A*アルゴリズムはこのコンポーネント内で最短経路計算に使用される。
Dijkstraのアルゴリズムと比較すると、より小さな検索空間では2倍から3倍高速な解が得られる。
多くの場合、Dijkstraのアルゴリズムはメモリ使用量の増加や処理時間の増加など、複雑度の高い環境では性能が良くない。
GPSのような従来のアプローチと比較して、リアルタイム処理とARオーバーレイを組み合わせることで、環境の変化に応じて経路を動的に更新しながら、ユーザにとって直感的な方向を提供することができる。
実験の結果,従来の手法に比べてナビゲーション精度,ユーザエクスペリエンス,効率が有意に向上した。
これらの結果は、既存のパスフィニングアルゴリズムと統合されたAR技術が実現可能でスケーラブルであることを示し、屋内ナビゲーションのためのユーザフレンドリーなソリューションであることを示している。
限定的かつ定義された屋内空間において非常に効果的であるが、大規模または高ダイナミックな環境では、さらにNavMeshの最適化が必要である。
関連論文リスト
- FOM-Nav: Frontier-Object Maps for Object Goal Navigation [65.76906445210112]
FOM-Navはフロンティアオブジェクトマップと視覚言語モデルによる探索効率を高めるフレームワークである。
FOM-Navをトレーニングするために,実環境から大規模ナビゲーションデータセットを自動構築する。
FOM-NavはMP3DとHM3Dのベンチマーク、特にナビゲーション効率の指標SPLで最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2025-11-30T18:16:09Z) - Grid2Guide: A* Enabled Small Language Model for Indoor Navigation [6.341317643879287]
本研究では,A*探索アルゴリズムとSmall Language Model(SLM)を組み合わせるハイブリッドナビゲーションフレームワークを提案する。
提案手法を,リアルタイム屋内ナビゲーション支援のための軽量かつインフラストラクチャフリーなソリューションとして検証した。
論文 参考訳（メタデータ） (2025-08-11T15:39:27Z) - DORAEMON: Decentralized Ontology-aware Reliable Agent with Enhanced Memory Oriented Navigation [55.888688171010365]
DORAEMONは、人間のナビゲーション機能を模倣したVentralとDorsal Streamsで構成される、認知にインスパイアされたフレームワークである。
我々は,DORAEMONをHM3D,MP3D,GOATのデータセット上で評価し,成功率(SR)と成功度(SPL)の測定値の両方で最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2025-05-28T04:46:13Z) - Deep RL-based Autonomous Navigation of Micro Aerial Vehicles (MAVs) in a complex GPS-denied Indoor Environment [9.162792034193373]
室内環境における無人航空機(UAV)の自律性は、倉庫、工場、屋内施設などの囲い込み空間における信頼性の高いGPS信号が欠如していることから、大きな課題となっている。
本稿では,強化学習に基づくDeep-Proximal Policy Optimization (D-PPO)アルゴリズムを提案する。
提案手法は,性能を著しく低下させることなく,トレーニング期間中に計算遅延を91%削減する。
論文 参考訳（メタデータ） (2025-04-08T11:14:37Z) - MPVO: Motion-Prior based Visual Odometry for PointGoal Navigation [3.9974562667271507]
視覚計測(VO)は,室内環境におけるエンボディエージェントの正確なポイントゴールナビゲーションを可能にするために不可欠である。
近年の深層学習VO法は, 頑健な性能を示すが, トレーニング中のサンプル不効率に悩まされている。
エージェントが環境をナビゲートしている間に利用可能な動作先に基づいて、ロバストでサンプル効率の良いVOパイプラインを提案する。
論文 参考訳（メタデータ） (2024-11-07T15:36:49Z) - Confidence-Controlled Exploration: Efficient Sparse-Reward Policy Learning for Robot Navigation [72.24964965882783]
強化学習(RL)はロボットナビゲーションにおいて有望なアプローチであり、ロボットは試行錯誤を通じて学習することができる。
現実世界のロボットタスクは、しばしばまばらな報酬に悩まされ、非効率な探索と準最適政策に繋がる。
本稿では,RLに基づくロボットナビゲーションにおいて,報酬関数を変更せずにサンプル効率を向上させる新しい手法であるConfidence-Controlled Exploration (CCE)を紹介する。
論文 参考訳（メタデータ） (2023-06-09T18:45:15Z) - ETPNav: Evolving Topological Planning for Vision-Language Navigation in
Continuous Environments [56.194988818341976]
視覚言語ナビゲーションは、エージェントが環境中をナビゲートするための指示に従う必要があるタスクである。
本研究では,1)環境を抽象化し,長距離航法計画を生成する能力,2)連続環境における障害物回避制御能力の2つの重要なスキルに焦点を当てたETPNavを提案する。
ETPNavは、R2R-CEとRxR-CEデータセットの先行技術よりも10%以上、20%改善されている。
論文 参考訳（メタデータ） (2023-04-06T13:07:17Z) - AutoSpace: Neural Architecture Search with Less Human Interference [84.42680793945007]
現在のニューラルネットワークアーキテクチャ検索(NAS)アルゴリズムは、ネットワーク構築のための検索空間を設計するための専門知識と努力を必要とします。
探索空間を最適なものに進化させる新しい微分可能な進化フレームワークであるAutoSpaceを提案する。
学習した検索空間では、最近のNASアルゴリズムの性能は、以前手作業で設計した空間に比べて大幅に改善できる。
論文 参考訳（メタデータ） (2021-03-22T13:28:56Z) - Open Area Path Finding to Improve Wheelchair Navigation [0.0]
本稿では,経路のネットワークを持たないオープンエリアに対して,新しい経路探索アルゴリズムを提案し,実装する。
提案アルゴリズムは開放領域に新しいグラフを作成し,障害物や障壁を考慮し,経路を計算する。
実装とテストは、提案されたアルゴリズム出力と実際の車椅子利用者軌跡との少なくとも76.4%の類似性を示している。
論文 参考訳（メタデータ） (2020-11-07T21:20:32Z) - Occupancy Anticipation for Efficient Exploration and Navigation [97.17517060585875]
そこで我々は,エージェントが自我中心のRGB-D観測を用いて,その占有状態を可視領域を超えて推定する,占有予測を提案する。
エゴセントリックなビューとトップダウンマップの両方でコンテキストを活用することで、私たちのモデルは環境のより広いマップを予測できます。
われわれのアプローチは、2020 Habitat PointNav Challengeの優勝だ。
論文 参考訳（メタデータ） (2020-08-21T03:16:51Z) - Enhance the performance of navigation: A two-stage machine learning
approach [13.674463804942837]
リアルタイム交通ナビゲーションはスマートトランスポート技術において重要な機能である。
本稿では,アンサンブル学習の考え方を採用し,正確なナビゲーション結果を与えるための2段階の機械学習モデルを開発する。
論文 参考訳（メタデータ） (2020-04-02T08:55:27Z) - Deep Learning based Pedestrian Inertial Navigation: Methods, Dataset and
On-Device Inference [49.88536971774444]
慣性測定ユニット(IMU)は小型で安価でエネルギー効率が良く、スマートデバイスや移動ロボットに広く使われている。
正確で信頼性の高い歩行者ナビゲーションをサポートするために慣性データをエクスプロイトすることは、新しいインターネット・オブ・シングス・アプリケーションやサービスにとって重要なコンポーネントである。
我々は、深層学習に基づく慣性ナビゲーション研究のための最初の公開データセットであるOxIOD(OxIOD)を提示、リリースする。
論文 参考訳（メタデータ） (2020-01-13T04:41:54Z)
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。