論文の概要: Semantic Landmark Particle Filter for Robot Localisation in Vineyards
- arxiv url: http://arxiv.org/abs/2603.10847v1
- Date: Wed, 11 Mar 2026 14:57:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-12 16:22:33.011816
- Title: Semantic Landmark Particle Filter for Robot Localisation in Vineyards
- Title（参考訳）: ブドウ園におけるロボット位置推定のための意味的ランドマーク粒子フィルタ
- Authors: Rajitha de Silva, Jonathan Cox, James R. Heselden, Marija Popović, Cesar Cadena, Riccardo Polvara,
- Abstract要約: 平行な作物列は、ほぼ同じLiDAR観測を発生させ、幾何学のみのSLAM系と視覚ベースのSLAM系が間違った回廊に収束する。
本稿では,トランクおよびポールランドマーク検出を2次元LiDARと統合したセマンティックランドマーク粒子フィルタを提案する。
- 参考スコア（独自算出の注目度）: 1.1077058391970922
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Reliable localisation in vineyards is hindered by row-level perceptual aliasing: parallel crop rows produce nearly identical LiDAR observations, causing geometry-only and vision-based SLAM systems to converge towards incorrect corridors, particularly during headland transitions. We present a Semantic Landmark Particle Filter (SLPF) that integrates trunk and pole landmark detections with 2D LiDAR within a probabilistic localisation framework. Detected trunks are converted into semantic walls, forming structural row boundaries embedded in the measurement model to improve discrimination between adjacent rows. GNSS is incorporated as a lightweight prior that stabilises localisation when semantic observations are sparse. Field experiments in a 10-row vineyard demonstrate consistent improvements over geometry-only (AMCL), vision-based (RTAB-Map), and GNSS baselines. Compared to AMCL, SLPF reduces Absolute Pose Error by 22% and 65% across two traversal directions; relative to a NoisyGNSS baseline, APE decreases by 65% and 61%. Row correctness improves from 0.67 to 0.73, while mean cross-track error decreases from 1.40 m to 1.26 m. These results show that embedding row-level structural semantics within the measurement model enables robust localisation in highly repetitive outdoor agricultural environments.
- Abstract（参考訳）: 平行な作物列は、ほぼ同一のLiDAR観測を生じさせ、幾何学のみおよび視覚に基づくSLAMシステムは、特に頭地遷移の間、間違った回廊に収束する。
本稿では2次元LiDARとトランクおよびポールランドマーク検出を統合したセマンティックランドマーク粒子フィルタ(SLPF)を提案する。
検出されたトランクはセマンティックウォールに変換され、隣り合う行の識別を改善するため、測定モデルに埋め込まれた構造的行境界を形成する。
GNSSは、セマンティック・オブザーバがスパースであるときに局所化を安定化する軽量な先駆体として組み込まれている。
10列のブドウ畑でのフィールド実験では、幾何学専用(AMCL)、視覚ベース(RTAB-Map)、GNSSベースラインに対する一貫した改善が示されている。
AMCLと比較して、SLPFは2方向の絶対値誤差を22%と65%減少させ、ノイズGNSSベースラインと比較してAPEは65%と61%減少する。
ローの正しさは0.67から0.73に改善され、平均のクロストラック誤差は1.40mから1.26mに低下する。
これらの結果は,高繰り返しの屋外農業環境において,行レベルの構造的意味を計測モデルに組み込むことによって,ロバストな局所化を可能にすることを示唆している。
関連論文リスト
- BAWSeg: A UAV Multispectral Benchmark for Barley Weed Segmentation [31.004130414489698]
そこで本研究では,2ストリーム分割ネットワークをネイティブ解像度で,放射能キューと正規化インデックスキューとを融合する。
植生インデックスとスペクトルアテンションは、植生インデックスマップの窓付き自己アテンションで動作する。
植生指数と分光アテンションは75.6%のmIoUと63.5%の雑草IoUを22.8Mパラメータで達成し、多スペクトルのSegFormer-B1ベースラインを1.2mIoUと1.9の雑草IoUで上回っている。
論文 参考訳（メタデータ） (2026-03-02T14:49:05Z) - Structure-Informed Estimation for Pilot-Limited MIMO Channels via Tensor Decomposition [51.56484100374058]
本稿では、スパース観測から低ランクテンソル完備化としてパイロットリミテッドチャネル推定を定式化する。
合成チャネル実験による最小二乗平均二乗誤差(NMSE)の最小二乗平均誤差(LS)に対する改善
DeepMIMO線トレーシングチャネルの評価では、純粋なテンソル法よりも24-44%NMSEが減少している。
論文 参考訳（メタデータ） (2026-02-03T23:38:05Z) - SVRecon: Sparse Voxel Rasterization for Surface Reconstruction [60.92372415355283]
我々は最近提案されたスパースボキセル化パラダイムをSVReconの統合により高忠実度表面再構成の課題に拡張する。
本手法は, 常に高速な収束を保ちながら, 強い復元精度を実現する。
論文 参考訳（メタデータ） (2025-11-21T16:32:01Z) - HOTFLoc++: End-to-End Hierarchical LiDAR Place Recognition, Re-Ranking, and 6-DoF Metric Localisation in Forests [28.2471069671262]
HOTFLoc++は、森林におけるLiDARの位置認識、再ランク付け、および6-DoFメトリックローカライゼーションのためのエンドツーエンドフレームワークである。
劣化した単一スケール対応の存在下での再ランクの失敗を低減するための,学習可能な多スケール幾何検証モジュールを提案する。
論文 参考訳（メタデータ） (2025-11-12T10:10:23Z) - Machine and Deep Learning for Indoor UWB Jammer Localization [3.728528592481562]
ウルトラワイドバンド(UWB)のローカライゼーションは、センチスケールの精度を提供するが、攻撃の妨害には弱い。
さまざまな分類と回帰指標を使用して、パフォーマンスを厳格に評価する。
CIR特性の整合に勾配反転層を利用するドメイン・アドバイサルのConvNeXtオートエンコーダを提案する。
論文 参考訳（メタデータ） (2025-11-03T18:26:14Z) - Urban 3D Change Detection Using LiDAR Sensor for HD Map Maintenance and Smart Mobility [26.712098856567888]
都市規模LiDARのための物体中心型不確実性認識パイプラインを提案する。
これはエポックを多分解能NDTと整列し、次に点対平面ICP、高さを正規化し、位置検出レベルを導出する。
15代表のスービアコでは95.2%の精度、90.4%のmF1、82.6%のmIoUがトリプルトKPConvを超える精度、0.2のmF1、0.8のmIoUがブロックされ、IoUが74.8%に達し、7.6ポイント改善された。
論文 参考訳（メタデータ） (2025-10-24T02:59:55Z) - Token-Level Inference-Time Alignment for Vision-Language Models [58.41370989069588]
VLM(Vision-Language Models)は、現代のマルチモーダルインテリジェンスの重要なバックボーンとなっている。
本稿では,基本VLMを凍結し,その分布を近似する報酬モデルをトレーニングする軽量フレームワークTITAを提案する。
推測中、暗黙の選好信号は報酬モデルと目標VLMの対数確率比として抽出され、密集した自己回帰フィードバックが得られる。
論文 参考訳（メタデータ） (2025-10-20T09:58:03Z) - Semantic-Aware Particle Filter for Reliable Vineyard Robot Localisation [4.0016757648498205]
屋外環境における移動ロボットのローカライゼーションは重要であるが、LiDARベースの手法はブドウ畑では失敗することが多い。
本研究では,安定なオブジェクトレベル検出,具体的にはブドウ幹を含むセマンティック粒子フィルタを提案する。
セマンティックの壁は、隣接するランドマークを行エイリアスを緩和する擬似構造制約に接続する。
提案手法は, 正しい行内のローカライゼーションを維持し, AMCLが故障した場合のずれから回復し, RTAB-Mapなどの視覚ベースのSLAM法より優れる。
論文 参考訳（メタデータ） (2025-09-22T19:04:31Z) - ROLO-SLAM: Rotation-Optimized LiDAR-Only SLAM in Uneven Terrain with Ground Vehicle [49.61982102900982]
荒地における地上車両の姿勢推定精度を向上させるために,LiDARを用いたSLAM法を提案する。
累積誤差の低減を支援するために,グローバルスケールの因子グラフが確立されている。
その結果,ROLO-SLAMは地上車両の姿勢推定に優れ,既存のLiDAR SLAMフレームワークよりも優れていた。
論文 参考訳（メタデータ） (2025-01-04T02:44:27Z) - Boosting Few-shot Fine-grained Recognition with Background Suppression
and Foreground Alignment [53.401889855278704]
FS-FGR (Few-shot Fine-fine Recognition) は、限られたサンプルの助けを借りて、新しいきめ細かなカテゴリを認識することを目的としている。
本研究では,背景アクティベーション抑制 (BAS) モジュール,フォアグラウンドオブジェクトアライメント (FOA) モジュール,および局所的局所的(L2L) 類似度測定器からなる2段階の背景アライメントとフォアグラウンドアライメントフレームワークを提案する。
複数のベンチマークで行った実験により,提案手法は既存の最先端技術よりも大きなマージンで優れていることが示された。
論文 参考訳（メタデータ） (2022-10-04T07:54:40Z) - Orthogonal Matrix Retrieval with Spatial Consensus for 3D Unknown-View
Tomography [58.60249163402822]
未知視トモグラフィ(UVT)は、未知のランダムな向きで2次元投影から3次元密度マップを再構成する。
提案したOMRはより堅牢で、従来の最先端のOMRアプローチよりも大幅に性能が向上している。
論文 参考訳（メタデータ） (2022-07-06T21:40:59Z)
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。