論文の概要: TreeLoc++: Robust 6-DoF LiDAR Localization in Forests with a Compact Digital Forest Inventory

• arxiv url: http://arxiv.org/abs/2603.03695v1
• Date: Wed, 04 Mar 2026 03:46:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:41.877581
• Title: TreeLoc++: Robust 6-DoF LiDAR Localization in Forests with a Compact Digital Forest Inventory
• Title（参考訳）: TreeLoc++: コンパクトなデジタルフォレストインベントリを備えた森林におけるロバスト6-DoF LiDARローカライゼーション
• Authors: Minwoo Jung, Dongjae Lee, Nived Chebrolu, Haedam Oh, Maurice Fallon, Ayoung Kim,
• Abstract要約: 我々はDigital Forest Inventories上で直接動作するグローバルな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。 TreeLoc++は、構造的にあいまいな森林における偽マッチを減らし、完全な6-DoFポーズ推定の信頼性を向上させる。 3つのデータセットと4つの国にわたる森林で記録された27のシークエンスの評価は、TreeLoc++がセンチメートルレベルの精度で正確なローカライズを実現していることを示している。
• 参考スコア（独自算出の注目度）: 12.490348787696012
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reliable localization is essential for sustainable forest management, as it allows robots or sensor systems to revisit and monitor the status of individual trees over long periods. In modern forestry, this management is structured around Digital Forest Inventories (DFIs), which encode stems using compact geometric attributes rather than raw data. Despite their central role, DFIs have been overlooked in localization research, and most methods still rely on dense gigabyte-sized point clouds that are costly to store and maintain. To improve upon this, we propose TreeLoc++, a global localization framework that operates directly on DFIs as a discriminative representation, eliminating the need to use the raw point clouds. TreeLoc++ reduces false matches in structurally ambiguous forests and improves the reliability of full 6-DoF pose estimation. It augments coarse retrieval with a pairwise distance histogram that encodes local tree-layout context, subsequently refining candidates via DBH-based filtering and yaw-consistent inlier selection to further reduce mismatches. Furthermore, a constrained optimization leveraging tree geometry jointly estimates roll, pitch, and height, enhancing pose stability and enabling accurate localization without reliance on dense 3D point cloud data. Evaluations on 27 sequences recorded in forests across three datasets and four countries show that TreeLoc++ achieves precise localization with centimeter-level accuracy. We further demonstrate robustness to long-term change by localizing data recorded in 2025 against inventories built from 2023 data, spanning a two-year interval. The system represents 15 sessions spanning 7.98 km of trajectories using only 250KB of map data and outperforms both hand-crafted and learning-based baselines that rely on point cloud maps. This demonstrates the scalability of TreeLoc++ for long-term deployment.
• Abstract（参考訳）: 持続可能な森林管理には信頼性の高いローカライゼーションが不可欠であり、ロボットやセンサーシステムが長期にわたって個々の木の状態を再考し監視することを可能にしている。 現代の林業では、この管理はDFI(Digital Forest Inventories)を中心に構成されており、生データではなく、コンパクトな幾何学的属性を用いて茎を符号化している。 中心的な役割にもかかわらず、DFIはローカライゼーション研究で見過ごされ、多くの手法は依然として保存と維持にコストがかかる密度のギガバイト規模の点雲に依存している。 そこで本研究では,DFIを直接差別表現として運用するグローバルな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。 TreeLoc++は、構造的にあいまいな森林における偽マッチを減らし、完全な6-DoFポーズ推定の信頼性を向上させる。 局所ツリーレイアウトコンテキストを符号化し、DBHベースのフィルタリングとYaw-consistent inlier selectionを通じて候補を精製し、ミスマッチをさらに低減する。 さらに,高密度な3次元点雲データに頼らずに,木形状を併用してロール,ピッチ,高さを推定し,ポーズ安定性を向上し,正確な局所化を可能にする。 3つのデータセットと4つの国にわたる森林で記録された27のシークエンスの評価は、TreeLoc++がセンチメートルレベルの精度で正確なローカライズを実現していることを示している。 さらに,2025年に記録されたデータを,2023年のデータから作られた在庫に対して2年間隔でローカライズすることで,長期的変化に対する堅牢性を示す。 このシステムは、わずか250KBの地図データを使用し、7.98kmの軌道にまたがる15のセッションを表現し、ポイントクラウドマップに依存する手作りと学習ベースのベースラインの両方に優れる。 これは、長期的なデプロイメントのためのTreeLoc++のスケーラビリティを示している。

関連論文リスト

• TreeLoc: 6-DoF LiDAR Global Localization in Forests via Inter-Tree Geometric Matching [7.581546372433995]
  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。
  論文  参考訳（メタデータ） (2026-02-02T00:32:07Z)
• 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)
• UnLoc: Leveraging Depth Uncertainties for Floorplan Localization [80.55849461031879]
  UnLocはフロアプラン内のシーケンシャルカメラローカライゼーションのための効率的なデータ駆動ソリューションである。 本研究では,不確実性推定を組み込んだ新しい確率モデルを導入し,深度予測を明示的な確率分布としてモデル化する。 我々はUnLocを大規模合成および実世界のデータセット上で評価し、精度とロバスト性の観点から大幅に改善したことを示す。
  論文  参考訳（メタデータ） (2025-09-14T14:45:43Z)
• PointRegGPT: Boosting 3D Point Cloud Registration using Generative Point-Cloud Pairs for Training [90.06520673092702]
  生成点クラウドペアを用いた3Dポイントクラウドの登録をトレーニングのために促進するPointRegGPTを提案する。 我々の知る限り、これは屋内のクラウド登録のためのリアルなデータ生成を探求する最初の生成的アプローチである。
  論文  参考訳（メタデータ） (2024-07-19T06:29:57Z)
• Automated forest inventory: analysis of high-density airborne LiDAR point clouds with 3D deep learning [16.071397465972893]
  ForAINetは多様な森林タイプや地理的地域をまたいでセグメンテーションを行うことができる。 システムは、調査ドローンを使用して5つの国で取得されたポイントクラウドのデータセットであるFor-Instanceでテストされている。
  論文  参考訳（メタデータ） (2023-12-22T21:54:35Z)
• GlobalMatch: Registration of Forest Terrestrial Point Clouds by Global Matching of Relative Stem Positions [1.3192560874022086]
  本稿では,森林点雲の自動登録方法を提案する。 提案手法は,まず原点雲から樹幹を抽出し,その相対的空間関係に基づいて樹幹をマッチングし,登録変換を決定する。 このアルゴリズムは、追加の個々の木の属性を必要とせず、環境内の木の数に二次的な複雑さを持ち、大きな森林環境の点雲を整列させることができる。
  論文  参考訳（メタデータ） (2021-12-21T11:47:51Z)
• 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。