論文の概要: NavGSim: High-Fidelity Gaussian Splatting Simulator for Large-Scale Navigation

• arxiv url: http://arxiv.org/abs/2603.15186v1
• Date: Mon, 16 Mar 2026 12:23:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-21 18:33:56.863622
• Title: NavGSim: High-Fidelity Gaussian Splatting Simulator for Large-Scale Navigation
• Title（参考訳）: NavGSim:大規模ナビゲーションのための高忠実なガウス平滑化シミュレータ
• Authors: Jiahang Liu, Yuanxing Duan, Jiazhao Zhang, Minghan Li, Shaoan Wang, Zhizheng Zhang, He Wang,
• Abstract要約: NavGSimは、高忠実で大規模なナビゲーション環境を生成するために設計されたシミュレータである。 NavGSimは階層的な3Dガウス・スプレイティング・フレームワークを基盤として、数百平方メートルに及ぶ拡張的なシーンのレンダリングを可能にしている。
• 参考スコア（独自算出の注目度）: 14.045751242776332
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Simulating realistic environments for robots is widely recognized as a critical challenge in robot learning, particularly in terms of rendering and physical simulation. This challenge becomes even more pronounced in navigation tasks, where trajectories often extend across multiple rooms or entire floors. In this work, we present NavGSim, a Gaussian Splatting-based simulator designed to generate high-fidelity, large-scale navigation environments. Built upon a hierarchical 3D Gaussian Splatting framework, NavGSim enables photorealistic rendering in expansive scenes spanning hundreds of square meters. To simulate navigation collisions, we introduce a Gaussian Splatting-based slice technique that directly extracts navigable areas from reconstructed Gaussians. Additionally, for ease of use, we provide comprehensive NavGSim APIs supporting multi-GPU development, including tools for custom scene reconstruction, robot configuration, policy training, and evaluation. To evaluate NavGSim's effectiveness, we train a Vision-Language-Action (VLA) model using trajectories collected from NavGSim and assess its performance in both simulated and real-world environments. Our results demonstrate that NavGSim significantly enhances the VLA model's scene understanding, enabling the policy to handle diverse navigation queries effectively.
• Abstract（参考訳）: ロボットの現実的な環境のシミュレーションは、特にレンダリングや物理シミュレーションにおいて、ロボット学習における重要な課題として広く認識されている。 この課題はナビゲーションタスクにおいてさらに顕著になり、複数の部屋や床全体にトラジェクトリーが広がる。 本研究では,高忠実で大規模なナビゲーション環境を生成するために,ガウスのSplattingをベースとしたシミュレータであるNavGSimを紹介する。 NavGSimは階層的な3Dガウス・スプレイティング・フレームワークをベースとして構築されており、数百平方メートルの広さのシーンでフォトリアリスティックなレンダリングを可能にしている。 航法衝突をシミュレートするために,再建されたガウスから航法可能な領域を直接抽出するガウススプティングに基づくスライス手法を導入する。 さらに、使いやすくするために、カスタムシーン再構築、ロボット構成、ポリシートレーニング、評価などのツールを含む、マルチGPU開発をサポートする包括的なNavGSim APIを提供しています。 NavGSimの有効性を評価するために,NavGSimから収集したトラジェクトリを用いてVision-Language-Action(VLA)モデルを訓練し,実環境とシミュレーション環境の両方でその性能を評価する。 以上の結果から,NavGSimはVLAモデルのシーン理解を大幅に向上させ,多様なナビゲーションクエリを効果的に扱えるようにした。

関連論文リスト

• ReaDy-Go: Real-to-Sim Dynamic 3D Gaussian Splatting Simulation for Environment-Specific Visual Navigation with Moving Obstacles [18.27305975041577]
  本研究では,ターゲット環境における動的シナリオを合成するシミュレーションパイプラインReaDy-Goを提案する。 提案したシミュレータは、任意の視点から、アニマタブルなヒトGSアバターを用いた何千ものフォトリアリスティックナビゲーションシナリオを生成する。 ReaDy-Goはシミュレーションと実世界の両方の実験において、ターゲット環境のベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-02-12T04:48:18Z)
• 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)
• GaussGym: An open-source real-to-sim framework for learning locomotion from pixels [78.05453137978132]
  本稿では,3次元ガウススプラッティングをベクトル化物理シミュレータのドロップインとして統合した光現実的ロボットシミュレーションを提案する。 これにより、コンシューマGPUで毎秒10万ステップを超える、前例のないスピードを実現している。 また,シミュレーティブ・トゥ・リアル・ロボティクス・セッティングにおける適用性を実証した。
  論文  参考訳（メタデータ） (2025-10-17T06:34:52Z)
• EDEN: Entorhinal Driven Egocentric Navigation Toward Robotic Deployment [1.5190286092106713]
  EDENは生物学的にインスパイアされたナビゲーションフレームワークで、学習したエントルヒンナル様のグリッド細胞表現と強化学習を統合し、自律的なナビゲーションを可能にする。 EDENは哺乳類の角膜-海馬システムにインスパイアされ、視覚とモーションセンサーのデータを使用して、経路統合とベクターベースのナビゲーションを行うことができる。
  論文  参考訳（メタデータ） (2025-06-03T16:28:33Z)
• Gaussian Splatting to Real World Flight Navigation Transfer with Liquid Networks [93.38375271826202]
  本研究では,シミュレート・トゥ・リアルな視覚四重項ナビゲーションタスクにおける分布シフトに対する一般化とロバスト性を改善する手法を提案する。 まず,擬似飛行力学とガウススプラッティングを統合してシミュレータを構築し,その後,液状ニューラルネットワークを用いてロバストなナビゲーションポリシーを訓練する。 このようにして、我々は3次元ガウススプラッティングラディアンス場レンダリング、専門家による実演訓練データのプログラミング、およびLiquid Networkのタスク理解能力の進歩を組み合わせたフルスタックの模倣学習プロトコルを得る。
  論文  参考訳（メタデータ） (2024-06-21T13:48:37Z)
• GaussNav: Gaussian Splatting for Visual Navigation [92.13664084464514]
  インスタンスイメージゴールナビゲーション(IIN)では、エージェントが探索されていない環境で、目標画像に描かれた特定のオブジェクトを見つける必要がある。 視覚ナビゲーションのためのガウススティング(GaussNav)であるIINの新しいフレームワークを提案し、3次元ガウススティング(DGS)に基づく新しい地図表現を構築した。 当社のGaussNavフレームワークは,Habitat-Matterport 3D(HM3D)データセットにおいて,SPL(Path Length)によるSuccessの重み付けを0.347から0.578に増加させ,大幅なパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2024-03-18T09:56:48Z)

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。