論文の概要: ContraMap: Contrastive Uncertainty Mapping for Robot Environment Representation
- arxiv url: http://arxiv.org/abs/2603.27632v1
- Date: Sun, 29 Mar 2026 11:06:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-31 23:18:45.050674
- Title: ContraMap: Contrastive Uncertainty Mapping for Robot Environment Representation
- Title（参考訳）: ContraMap: ロボット環境表現のためのコントラスト不確実性マッピング
- Authors: Chi Cuong Le, Weiming Zhi,
- Abstract要約: 合成ノイズサンプルを用いて学習した明示的不確実性クラスを用いてカーネルマップを拡張したコントラスト連続写像法であるContraMapを提案する。
2次元占有マッピング、3Dセマンティックマッピング、テーブルトップシーン再構成の実験により、ContraMapはマッピングの品質を保ち、空間的に整合性のある不確実性推定を発生し、ベイズカーネルマップのベースラインよりもはるかに効率的であることが示された。
- 参考スコア（独自算出の注目度）: 4.786936073180585
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Reliable robot perception requires not only predicting scene structure, but also identifying where predictions should be treated as unreliable due to sparse or missing observations. We present ContraMap, a contrastive continuous mapping method that augments kernel-based discriminative maps with an explicit uncertainty class trained using synthetic noise samples. This formulation treats unobserved regions as a contrastive class, enabling joint environment prediction and spatial uncertainty estimation in real time without Bayesian inference. Under a simple mixture-model view, we show that the probability assigned to the uncertainty class is a monotonic function of a distance-aware uncertainty surrogate. Experiments in 2D occupancy mapping, 3D semantic mapping, and tabletop scene reconstruction show that ContraMap preserves mapping quality, produces spatially coherent uncertainty estimates, and is substantially more efficient than Bayesian kernelmap baselines.
- Abstract（参考訳）: 信頼性の高いロボット知覚は、シーン構造を予測するだけでなく、スパースや欠落した観察のために、予測が信頼できないものとして扱われるべき場所を特定する必要がある。
コントラマップ(ContraMap)は、合成ノイズサンプルを用いて訓練された明示的不確実性クラスを用いてカーネルベースの識別的マップを増強するコントラスト連続写像法である。
この定式化は、観測されていない領域をコントラストクラスとして扱い、ベイズ推定なしでリアルタイムで共同環境予測と空間不確実性推定を可能にする。
単純な混合モデルビューでは、不確実性クラスに割り当てられた確率は、距離認識の不確実性サロゲートの単調関数であることが示される。
2次元占有マッピング、3Dセマンティックマッピング、テーブルトップシーン再構成の実験により、ContraMapはマッピングの品質を保ち、空間的に一貫性のある不確実性推定を発生し、ベイズカーネルマップのベースラインよりもはるかに効率的であることが示された。
関連論文リスト
- EvidMTL: Evidential Multi-Task Learning for Uncertainty-Aware Semantic Surface Mapping from Monocular RGB Images [7.069718718698565]
既存のマッピング手法は、しばしば自信過剰なセマンティックな予測や、スパースでノイズの多い深度検知に悩まされる。
深度推定とセマンティックセグメンテーションに明らかな頭部を用いたマルチタスク学習フレームワークであるEvidMTLを紹介する。
本研究では,不確実性を考慮したセマンティックサーフェスマッピングフレームワークであるEvidKimeraを提案する。
論文 参考訳（メタデータ） (2025-03-06T13:56:48Z) - Post-hoc Probabilistic Vision-Language Models [54.05237186168399]
視覚言語モデル(VLM)は、分類、検索、生成タスクにおいて顕著な成功を収めている。
追加トレーニングを必要としないVLMにおけるポストホック不確実性評価を提案する。
この結果から,大規模モデルの安全性クリティカルな応用が期待できることがわかった。
論文 参考訳（メタデータ） (2024-12-08T18:16:13Z) - Uncertainty-aware Semantic Mapping in Off-road Environments with Dempster-Shafer Theory of Evidence [4.83420384410068]
本稿では,DST(Dempster-Shafer Theory of Evidence)の明確な推論をマッピングパイプライン全体に組み込む,明確な意味マッピングフレームワークを提案する。
この枠組みは不確実性マップの信頼性を高め、知覚的不確実性の高いシーンにおいて既存の手法を一貫して上回っていることを示す。
論文 参考訳（メタデータ） (2024-05-10T06:32:01Z) - Evidential Semantic Mapping in Off-road Environments with Uncertainty-aware Bayesian Kernel Inference [5.120567378386614]
本稿では,オフロード環境における信頼性を高めることを目的とした,明白なセマンティックマッピングフレームワークを提案する。
セマンティックな不確かさを適応的に処理することにより、提案フレームワークは、これまで見えなかった環境においても、周囲の堅牢な表現を構築する。
論文 参考訳（メタデータ） (2024-03-21T05:13:34Z) - NUQ: Nonparametric Uncertainty Quantification for Deterministic Neural
Networks [151.03112356092575]
本研究では,Nadaraya-Watson の条件付きラベル分布の非パラメトリック推定に基づく分類器の予測の不確かさの測定方法を示す。
種々の実世界の画像データセットにおける不確実性推定タスクにおいて,本手法の強い性能を示す。
論文 参考訳（メタデータ） (2022-02-07T12:30:45Z) - Learning Accurate Dense Correspondences and When to Trust Them [161.76275845530964]
2つの画像に関連する密度の高い流れ場と、堅牢な画素方向の信頼度マップの推定を目指しています。
フロー予測とその不確実性を共同で学習するフレキシブルな確率的アプローチを開発する。
本手法は,幾何学的マッチングと光フローデータセットに挑戦する最新の結果を得る。
論文 参考訳（メタデータ） (2021-01-05T18:54:11Z)
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。