論文の概要: GSAT: Geometric Traversability Estimation using Self-supervised Learning with Anomaly Detection for Diverse Terrains

• arxiv url: http://arxiv.org/abs/2603.07480v1
• Date: Sun, 08 Mar 2026 05:38:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:42.05152
• Title: GSAT: Geometric Traversability Estimation using Self-supervised Learning with Anomaly Detection for Diverse Terrains
• Title（参考訳）: GSAT:多地点の異常検出による自己教師付き学習による幾何学的トレーサビリティ推定
• Authors: Dongjin Cho, Miryeong Park, Juhui Lee, Geonmo Yang, Younggun Cho,
• Abstract要約: 安全な自律航行には、環境トラバーサビリティの信頼性の高い推定が必要である。 従来の手法は、人間の定義したしきい値を持つ意味論や幾何学に基づくアプローチに依存してきた。 本稿では,これらの制約に対処する GSAT を提案する。
• 参考スコア（独自算出の注目度）: 3.62216285132706
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Safe autonomous navigation requires reliable estimation of environmental traversability. Traditional methods have relied on semantic or geometry-based approaches with human-defined thresholds, but these methods often yield unreliable predictions due to the inherent subjectivity of human supervision. While self-supervised approaches enable robots to learn from their own experience, they still face a fundamental challenge: the positive-only learning problem. To address these limitations, recent studies have employed Positive-Unlabeled (PU) learning, where the core challenge is identifying positive samples without explicit negative supervision. In this work, we propose GSAT, which addresses these limitations by constructing a positive hypersphere in latent space to classify traversable regions through anomaly detection without requiring additional prototypes (e.g., unlabeled or negative). Furthermore, our approach employs joint learning of anomaly classification and traversability prediction to more efficiently utilize robot experience. We comprehensively evaluate the proposed framework through ablation studies, validation on heterogeneous real-world robotic platforms, and autonomous navigation demonstrations in simulation environments.
• Abstract（参考訳）: 安全な自律航行には、環境トラバーサビリティの信頼性の高い推定が必要である。 従来の手法は、人間の定義したしきい値を持つ意味や幾何学に基づくアプローチに依存してきたが、これらの手法は、人間の監督の固有の主観性のために、しばしば信頼できない予測をもたらす。 自己監督的なアプローチは、ロボットが自身の経験から学ぶことを可能にするが、それらは依然として根本的な課題であるポジティブな学習の問題に直面している。 これらの制限に対処するため、近年の研究ではポジティブ・アンラベル(PU)学習が採用されている。 本研究では,これらの制約に対処するGSATを提案する。これは潜在空間に正のハイパースフィアを構築して,追加のプロトタイプ(ラベルなし,負など)を必要とせずに,異常検出による可逆領域の分類を行う。 さらに,ロボット体験をより効率的に活用するために,異常分類とトラバーサビリティ予測の連成学習を用いる。 提案手法は,アブレーション研究,異質な実世界のロボットプラットフォームに対する検証,シミュレーション環境における自律的なナビゲーションデモなどを通じて網羅的に評価する。

関連論文リスト

• Foundational World Models Accurately Detect Bimanual Manipulator Failures [21.93685012734004]
  我々は、事前学習された視覚基盤モデルの圧縮潜在空間内で、確率的、歴史的、世界モデルを訓練する。 このモデルは、整合予測フレームワーク内の非整合性スコアとして機能する予測と共に不確実性推定を出力する。 また,本手法の学習手法として,トレーニング可能なパラメータの約20分の1が必須であることを示す。
  論文  参考訳（メタデータ） (2026-03-07T02:11:29Z)
• SyNeT: Synthetic Negatives for Traversability Learning [6.858933346270489]
  本稿では, 可塑性, 非可逆性を表す合成陰性を明示的に構築し, 視覚に基づく可逆性学習に統合する手法を提案する。 我々のアプローチは、Positive-Unlabeled (PU)とPositive-Negative (PN)の両方のフレームワークにシームレスに統合可能なトレーニング戦略として定式化されています。 この評価は、追加のマニュアルラベリングを使わずに、非トラバース可能な領域を一貫して識別するモデルの能力を間接的に測定する手段を提供する。
  論文  参考訳（メタデータ） (2026-01-31T16:47:26Z)
• Semi-Supervised Active Learning for Semantic Segmentation in Unknown Environments Using Informative Path Planning [27.460481202195012]
  ロボットの視力を改善するために、自己監督的で完全に教師された能動学習手法が出現した。 セマンティックセグメンテーションの半教師付き能動学習のための計画法を提案する。 我々は、モデル不確実性の高い未探索空間のフロンティアに向けて導かれた適応地図ベースのプランナーを活用する。
  論文  参考訳（メタデータ） (2023-12-07T16:16:47Z)
• Unsupervised Self-Driving Attention Prediction via Uncertainty Mining and Knowledge Embedding [51.8579160500354]
  本研究では、不確実性モデリングと知識統合の駆動による自動運転の注意を予測できる教師なし手法を提案する。 結果は、完全に教師された最先端のアプローチと比較して、同等またはさらに印象的なパフォーマンスを示している。
  論文  参考訳（メタデータ） (2023-03-17T00:28:33Z)
• Empirical Estimates on Hand Manipulation are Recoverable: A Step Towards Individualized and Explainable Robotic Support in Everyday Activities [80.37857025201036]
  ロボットシステムの鍵となる課題は、他のエージェントの振る舞いを理解することである。 正しい推論の処理は、(衝突)因子が実験的に制御されない場合、特に困難である。 人に関する観察研究を行うために必要なツールをロボットに装備することを提案する。
  論文  参考訳（メタデータ） (2022-01-27T22:15:56Z)
• Improving Self-supervised Learning with Automated Unsupervised Outlier Arbitration [83.29856873525674]
  本稿では,自己教師型学習のためのビューサンプリング問題を対象とした,軽量潜在変数モデル UOTA を提案する。 本手法は,多くの主流な自己指導型学習手法に直接応用する。
  論文  参考訳（メタデータ） (2021-12-15T14:05:23Z)
• TraND: Transferable Neighborhood Discovery for Unsupervised Cross-domain Gait Recognition [77.77786072373942]
  本稿では、教師なしクロスドメイン歩行認識のための領域ギャップを橋渡しするTransferable Neighborhood Discovery (TraND) フレームワークを提案する。 我々は、潜在空間におけるラベルなしサンプルの自信ある近傍を自動的に発見するために、エンドツーエンドのトレーニング可能なアプローチを設計する。 提案手法は,CASIA-BとOU-LPの2つの公開データセットに対して,最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-02-09T03:07:07Z)
• Guided Uncertainty-Aware Policy Optimization: Combining Learning and Model-Based Strategies for Sample-Efficient Policy Learning [75.56839075060819]
  従来のロボットのアプローチは、環境の正確なモデル、タスクの実行方法の詳細な説明、現在の状態を追跡するための堅牢な認識システムに依存している。 強化学習アプローチは、タスクを記述するための報酬信号だけで、生の感覚入力から直接操作することができるが、非常にサンプル非効率で脆弱である。 本研究では,ロボットの知覚・運動パイプラインにおける不正確さを克服できる一般的な手法を得るために,モデルに基づく手法の強みと学習に基づく手法の柔軟性を組み合わせる。
  論文  参考訳（メタデータ） (2020-05-21T19:47:05Z)

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。