論文の概要: Stein Variational Ergodic Surface Coverage with SE(3) Constraints

• arxiv url: http://arxiv.org/abs/2603.09458v2
• Date: Tue, 17 Mar 2026 11:54:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:42.150073
• Title: Stein Variational Ergodic Surface Coverage with SE(3) Constraints
• Title（参考訳）: SE(3)制約付き定常変分エルゴディック表面被覆
• Authors: Jiayun Li, Yufeng Jin, Sangli Teng, Dejian Gong, Georgia Chalvatzaki,
• Abstract要約: 既存の軌道法では、抽出可能な3Dポイントクラウド表面ターゲットの生成に失敗する。 本稿では,3次元点-雲面軌道を生成する新しい手法を提案する。 我々のフレームワークは、強い最適化ベースのSAOアプローチと比較して、常に局所最適化を識別する。
• 参考スコア（独自算出の注目度）: 9.66086150551228
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Surface manipulation tasks require robots to generate trajectories that comprehensively cover complex 3D surfaces while maintaining precise end-effector poses. Existing ergodic trajectory optimization (TO) methods demonstrate success in coverage tasks, while struggling with point-cloud targets due to the nonconvex optimization landscapes and the inadequate handling of SE(3) constraints in sampling-as-optimization (SAO) techniques. In this work, we introduce a preconditioned SE(3) Stein Variational Gradient Descent (SVGD) approach for SAO ergodic trajectory generation. Our proposed approach comprises multiple innovations. First, we reformulate point-cloud ergodic coverage as a manifold-aware sampling problem. Second, we derive SE(3)-specific SVGD particle updates, and, third, we develop a preconditioner to accelerate TO convergence. Our sampling-based framework consistently identifies superior local optima compared to strong optimization-based and SAO baselines while preserving the SE(3) geometric structure. Experiments on a 3D point-cloud surface coverage benchmark and robotic surface drawing tasks demonstrate that our method achieves superior coverage quality with tractable computation in our setting relative to existing TO and SAO approaches, and is validated in real-world robot experiments.
• Abstract（参考訳）: 表面操作タスクでは、ロボットが複雑な3D表面を包括的に覆い、正確なエンドエフェクターのポーズを維持しながら、軌道を生成する必要がある。 既存のエルゴード軌道最適化(TO)手法は、非凸最適化の状況とサンプリング・アズ・オプティマイズ(SAO)技術におけるSE(3)制約の不適切な処理により、ポイントクラウドの目標に苦しむ一方で、カバレッジタスクの成功を示す。 本研究では,SAOエルゴード軌道生成のための事前条件付きSE(3)Stein Variational Gradient Descent (SVGD)アプローチを提案する。 提案するアプローチは、複数のイノベーションから構成される。 まず, 点クラウドエルゴード被覆を多様体対応サンプリング問題として再検討する。 第2に、SE(3)特異的SVGD粒子の更新を導出し、第3に、To収束を加速するプレコンディショナーを開発する。 サンプリングベースフレームワークは,SE(3)の幾何構造を保ちながら,強い最適化ベースとSAOベースラインと比較して常に優れた局所最適性を識別する。 3Dポイントクラウドサーフェス・サーフェス・カバレッジ・ベンチマークとロボット・サーフェス・ドロー・タスクを用いた実験により,既存のTOとSAOのアプローチと比較して,提案手法がトラクタブル・計算により優れたカバレッジ・クオリティを実現することを示すとともに,実世界のロボット実験で検証された。

関連論文リスト

• Opt3DGS: Optimizing 3D Gaussian Splatting with Adaptive Exploration and Curvature-Aware Exploitation [10.150288678666001]
  3D Splatting (3DGS) は、新しいビュー合成のための主要なフレームワークとして登場したが、その中核となる最適化課題は未解決のままである。 我々は,3DGS最適化における2つの重要な課題を,最適部分最適化における包摂と,収束品質の不十分さの2つに同定した。 2段階最適化プロセスを通じて3DGSを強化する頑健なフレームワークであるOps3DGSを提案する。
  論文  参考訳（メタデータ） (2025-11-17T16:37:33Z)
• GauSSmart: Enhanced 3D Reconstruction through 2D Foundation Models and Geometric Filtering [50.675710727721786]
  2次元基礎モデルと3次元ガウススプラッティング再構成をブリッジするハイブリッド手法であるGauSSmartを提案する。 提案手法は,凸フィルタリングや意味的特徴監視など,確立した2次元コンピュータビジョン技術を統合している。 GauSSmartは既存のGaussian Splattingよりも一貫して優れています。
  論文  参考訳（メタデータ） (2025-10-16T03:38:26Z)
• Gesplat: Robust Pose-Free 3D Reconstruction via Geometry-Guided Gaussian Splatting [21.952325954391508]
  本稿では、3DGSベースのフレームワークであるGesplatを紹介し、ロバストな新しいビュー合成と、未提示のスパース画像からの幾何的に一貫した再構成を可能にする。 提案手法は,他のポーズフリー手法と比較して,前方および大規模の複雑なデータセット上でより堅牢な性能を実現する。
  論文  参考訳（メタデータ） (2025-10-11T08:13:46Z)
• TGP: Two-modal occupancy prediction with 3D Gaussian and sparse points for 3D Environment Awareness [13.68631587423815]
  3Dセマンティックな占有力は、ロボット工学と自律運転環境知覚の分野において、急速に研究の焦点となっている。 既存の占有予測タスクは、voxelやポイントクラウドベースのアプローチを使用してモデル化される。 本稿では空間的位置と体積構造情報のバランスをとる3次元ガウス集合とスパース点に基づく2次元モーダル予測法を提案する。
  論文  参考訳（メタデータ） (2025-03-13T01:35:04Z)
• MonoGSDF: Exploring Monocular Geometric Cues for Gaussian Splatting-Guided Implicit Surface Reconstruction [86.87464903285208]
  高品質な再構成のための神経信号距離場(SDF)とプリミティブを結合する新しい手法であるMonoGSDFを紹介する。 任意のスケールのシーンを扱うために,ロバストな一般化のためのスケーリング戦略を提案する。 実世界のデータセットの実験は、効率を保ちながら、以前の方法よりも優れています。
  論文  参考訳（メタデータ） (2024-11-25T20:07:07Z)
• DeSiRe-GS: 4D Street Gaussians for Static-Dynamic Decomposition and Surface Reconstruction for Urban Driving Scenes [71.61083731844282]
  本稿では,自己教師型ガウススプラッティング表現であるDeSiRe-GSについて述べる。 複雑な駆動シナリオにおいて、効率的な静的・動的分解と高忠実な表面再構成を可能にする。
  論文  参考訳（メタデータ） (2024-11-18T05:49:16Z)
• Improving Gaussian Splatting with Localized Points Management [52.009874685460694]
  局所的点管理(LPM)は、点加算と幾何校正の両方を最大限に必要としながら、これらの誤り貢献ゾーンを特定することができる。 LPMは特定されたゾーンに点密度を適用し、これらの領域の前にある点の不透明度をリセットし、不適切な点を修正する新しい機会を生み出す。 特に、LPMは静的3DGSとダイナミックなSpaceTimeGSの両方を改善して、リアルタイム速度を維持しながら最先端のレンダリング品質を実現している。
  論文  参考訳（メタデータ） (2024-06-06T16:55:07Z)
• GaussianRoom: Improving 3D Gaussian Splatting with SDF Guidance and Monocular Cues for Indoor Scene Reconstruction [5.112375652774415]
  本稿では,SDFと3DGSを統合し,正確な幾何再構成とリアルタイムレンダリングを行う統合最適化フレームワークを提案する。 本手法は, 表面再構成と新しいビュー合成の両面において, 最先端の性能を実現する。
  論文  参考訳（メタデータ） (2024-05-30T03:46:59Z)

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。