論文の概要: MAGICIAN: Efficient Long-Term Planning with Imagined Gaussians for Active Mapping

• arxiv url: http://arxiv.org/abs/2603.22650v1
• Date: Mon, 23 Mar 2026 23:53:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-25 19:53:37.224884
• Title: MAGICIAN: Efficient Long-Term Planning with Imagined Gaussians for Active Mapping
• Title（参考訳）: MAGICIAN: アクティブマッピングのための仮想ガウシアンを用いた効率的な長期計画
• Authors: Shiyao Li, Antoine Guédon, Shizhe Chen, Vincent Lepetit,
• Abstract要約: アクティブマッピングは、未知の環境を効率的に再構築するためにエージェントがどのように動くかを決定することを目的としている。 我々は,蓄積した表面積のゲインを最大化する新しい長期計画フレームワークであるMAGICIANを紹介する。 本手法は,動作空間の異なる室内および屋外ベンチマークにおける最先端性能を実現する。
• 参考スコア（独自算出の注目度）: 39.957041133643294
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Active mapping aims to determine how an agent should move to efficiently reconstruct an unknown environment. Most existing approaches rely on greedy next-best-view prediction, resulting in inefficient exploration and incomplete scene reconstruction. To address this limitation, we introduce MAGICIAN, a novel long-term planning framework that maximizes accumulated surface coverage gain through Imagined Gaussians, a scene representation derived from a pre-trained occupancy network with strong structural priors. This representation enables efficient computation of coverage gain for any novel viewpoint via fast volumetric rendering, allowing its integration into a tree-search algorithm for long-horizon planning. We update Imagined Gaussians and refine the planned trajectory in a closed-loop manner. Our method achieves state-of-the-art performance across indoor and outdoor benchmarks with varying action spaces, demonstrating the critical advantage of long-term planning in active mapping.
• Abstract（参考訳）: アクティブマッピングは、未知の環境を効率的に再構築するためにエージェントがどのように動くかを決定することを目的としている。 既存のほとんどのアプローチは、非効率な探索と不完全なシーン再構築をもたらす、欲張りの次世代のビュー予測に依存している。 この制限に対処するため,我々は,蓄積した表面積のゲインを最大化する新しい長期計画フレームワークであるMAGICIANを紹介した。 この表現は、高速なボリュームレンダリングによる新しい視点でのカバレッジゲインの効率的な計算を可能にし、長期計画のための木探索アルゴリズムに統合することができる。 我々は、Imagined Gaussianを更新し、計画された軌道をクローズドループ方式で洗練する。 提案手法は,活動空間の異なる屋内および屋外のベンチマークにおける最先端性能を実現し,アクティブマッピングにおける長期計画の重要な利点を示す。

関連論文リスト

• NextBestPath: Efficient 3D Mapping of Unseen Environments [33.62355071343121]
  従来のアプローチでは、主にエージェントの位置に近い次の最良のビューを予測するが、これは局所的に立ち往生する傾向にある。 本研究では,Dom ゲーム用のマップ生成器を備えた新しいデータセット AiMDoom を導入し,多様な屋内環境におけるアクティブな3Dマッピングのベンチマークを行う。 我々は、近視視点のみに焦点をあてるのではなく、長期的な目標を予測できる、NBP(Next-best-path)と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-02-07T23:18:08Z)
• ActiveSplat: High-Fidelity Scene Reconstruction through Active Gaussian Splatting [12.644175177979196]
  ガウススプラッティングを利用した自律型高忠実度再構築システムであるActiveSplatを提案する。 このシステムは、オンラインマッピング、視点選択、経路計画のための統合されたフレームワークを確立する。
  論文  参考訳（メタデータ） (2024-10-29T11:18:04Z)
• Revisiting Space Mission Planning: A Reinforcement Learning-Guided Approach for Multi-Debris Rendezvous [15.699822139827916]
  目的は、与えられたすべての破片を訪問して、ミッション全体のランデブーを最小限に抑えるシーケンスを最適化することである。 ニューラルネットワーク(NN)ポリシーが開発され、さまざまなデブリフィールドを持つシミュレーションされた宇宙ミッションで訓練される。 強化学習アプローチは計画効率を著しく向上させる。
  論文  参考訳（メタデータ） (2024-09-25T12:50:01Z)
• Consciousness-Inspired Spatio-Temporal Abstractions for Better Generalization in Reinforcement Learning [83.41487567765871]
  Skipperはモデルベースの強化学習フレームワークである。 これは、与えられたタスクをより小さく、より管理しやすいサブタスクに自動的に一般化する。 環境の関連部分には、スパースな意思決定と集中した抽象化を可能にする。
  論文  参考訳（メタデータ） (2023-09-30T02:25:18Z)
• Implicit Occupancy Flow Fields for Perception and Prediction in Self-Driving [68.95178518732965]
  自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。 既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。 これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
  論文  参考訳（メタデータ） (2023-08-02T23:39:24Z)
• Learning-Augmented Model-Based Planning for Visual Exploration [8.870188183999854]
  学習型モデルベースプランニングを用いた新しい探索手法を提案する。 室内シーンの視覚センシングとセマンティックマッピングの進歩が活用される。 提案手法は,2.1%,RLに基づく探査手法8.4%を網羅的に上回っている。
  論文  参考訳（メタデータ） (2022-11-15T04:53:35Z)
• Model-Based Reinforcement Learning via Latent-Space Collocation [110.04005442935828]
  我々は、行動だけでなく、状態の順序を計画することで、長期的タスクの解決がより容易であると主張する。 我々は、学習された潜在状態空間モデルを利用して、画像に基づく設定に最適な制御文献における長い水平タスクに対する良い結果を示すコロケーションの概念を適応させる。
  論文  参考訳（メタデータ） (2021-06-24T17:59:18Z)
• Learning Space Partitions for Path Planning [54.475949279050596]
  PlaLaMは2次元ナビゲーションタスクにおける既存の経路計画手法よりも優れており、特に難解な局所最適化の存在下では優れている。 これらは高マルチモーダルな実世界のタスクに移行し、コンパイラフェーズでは最大245%、分子設計では最大0.4の強いベースラインを0-1スケールで上回ります。
  論文  参考訳（メタデータ） (2021-06-19T18:06:11Z)
• Long-Horizon Visual Planning with Goal-Conditioned Hierarchical Predictors [124.30562402952319]
  未来に予測し、計画する能力は、世界で行動するエージェントにとって基本である。 視覚的予測と計画のための現在の学習手法は、長期的タスクでは失敗する。 本稿では,これらの制約を克服可能な視覚的予測と計画のためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-23T17:58:56Z)

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。