論文の概要: Kernel-SDF: An Open-Source Library for Real-Time Signed Distance Function Estimation using Kernel Regression

• arxiv url: http://arxiv.org/abs/2603.29227v1
• Date: Tue, 31 Mar 2026 03:49:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-01 15:25:03.092464
• Title: Kernel-SDF: An Open-Source Library for Real-Time Signed Distance Function Estimation using Kernel Regression
• Title（参考訳）: Kernel-SDF:カーネル回帰を用いたリアルタイム符号付き距離関数推定のためのオープンソースライブラリ
• Authors: Zhirui Dai, Tianxing Fan, Mani Amani, Jaemin Seo, Ki Myung Brian Lee, Hyondong Oh, Nikolay Atanasov,
• Abstract要約: 符号付き距離関数(SDF)は、障害物境界までの距離を符号化する強力な表現として登場した。 既存のSDF再構成手法は,ストリーミングセンサデータから大規模不確実性を考慮したSDF推定を行う場合に限界がある。 我々はカーネルレグレッションを用いてSDFを校正した不確実性定量化をリアルタイムで学習するオープンソースライブラリであるKernel-SDFを開発した。
• 参考スコア（独自算出の注目度）: 13.461647234706504
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate and efficient environment representation is crucial for robotic applications such as motion planning, manipulation, and navigation. Signed distance functions (SDFs) have emerged as a powerful representation for encoding distance to obstacle boundaries, enabling efficient collision-checking and trajectory optimization techniques. However, existing SDF reconstruction methods have limitations when it comes to large-scale uncertainty-aware SDF estimation from streaming sensor data. Voxel-based approaches are limited by fixed resolution and lack uncertainty quantification, neural network methods require significant training time, while Gaussian process (GP) methods struggle with scalability, sign estimation, and uncertainty calibration. In this letter, we develop an open-source library, Kernel-SDF, which uses kernel regression to learn SDF with calibrated uncertainty quantification in real-time. Our approach consists of a front-end that learns a continuous occupancy field via kernel regression, and a back-end that estimates accurate SDF via GP regression using samples from the front-end surface boundaries. Kernel-SDF provides accurate SDF, SDF gradient, SDF uncertainty, and mesh construction in real-time. Evaluation results show that Kernel-SDF achieves superior accuracy compared to existing methods, while maintaining real-time performance, making it suitable for various robotics applications requiring reliable uncertainty-aware geometric information.
• Abstract（参考訳）: 正確な効率的な環境表現は、運動計画、操作、ナビゲーションといったロボットアプリケーションにとって不可欠である。 符号付き距離関数(SDF)は、障害物境界までの距離を符号化する強力な表現として登場し、効率的な衝突チェックと軌道最適化技術を実現している。 しかし,既存のSDF再構成手法では,ストリーミングセンサデータからの大規模不確実性を考慮したSDF推定に制限がある。 ボクセルベースのアプローチは、固定解像度によって制限され、不確かさの定量化が欠如し、ニューラルネットワーク手法は相当なトレーニング時間を必要とし、ガウス過程(GP)法はスケーラビリティ、符号推定、不確実性校正に苦慮する。 本稿では,カーネルレグレッションを用いてSDFを校正した不確実性定量化をリアルタイムで学習するオープンソースライブラリであるKernel-SDFを開発する。 提案手法は,カーネルレグレッションによる連続占有場を学習するフロントエンドと,フロントエンド表面境界からのサンプルを用いてGPレグレッションによる正確なSDFを推定するバックエンドから構成される。 Kernel-SDFは、正確なSDF、SDF勾配、SDFの不確実性、メッシュ構築をリアルタイムで提供する。 評価結果から,Kernel-SDFは実時間性能を維持しつつ,既存の手法に比べて精度が優れており,信頼性の高い不確実性を考慮した幾何情報を必要とする様々なロボティクス用途に適していることが示された。

関連論文リスト

• SfMamba: Efficient Source-Free Domain Adaptation via Selective Scan Modeling [60.860172819390954]
  ソースフリードメイン適応(SFDA)は、未ラベルのターゲットドメインにソースプレトレーニングされたモデルを適用するという課題に取り組む。 我々はSfMambaというフレームワークを提案し、ソースフリーモデル転送における安定した依存性について検討する。
  論文  参考訳（メタデータ） (2026-01-13T14:53:47Z)
• $\nabla$-SDF: Learning Euclidean Signed Distance Functions Online with Gradient-Augmented Octree Interpolation and Neural Residual [6.772832523044964]
  $nabla$-SDFは、勾配拡大オクツリーから得られた明示的な先行と暗黙の神経残基を組み合わせたハイブリッド手法である。 提案手法は,計算効率とメモリ効率を比較検討し,ニューラルネットワーク手法に匹敵する微分可能性,精度を向上する。
  論文  参考訳（メタデータ） (2025-10-21T18:24:45Z)
• Learning Scene-Level Signed Directional Distance Function with Ellipsoidal Priors and Neural Residuals [17.51160139116379]
  最近の研究は、ニューラルネットワークを用いて学習した占有率、符号付き距離、放射率の暗黙的な連続表現が、再構成の忠実性、効率、微分可能性に利点をもたらすことを示している。 本研究では,符号付き距離関数(SDDF)と呼ばれる符号付き距離の方向定式化について検討する。 SDDFは、再現精度とレンダリング効率の観点から、最先端のニューラル暗黙のシーンモデルと競合することを示す。
  論文  参考訳（メタデータ） (2025-03-25T21:01:05Z)
• Federated Smoothing Proximal Gradient for Quantile Regression with Non-Convex Penalties [3.269165283595478]
  IoT(Internet-of-Things)の分散センサーは、大量のスパースデータを生成する。 本稿では, 滑らか化機構をそのビューに統合し, 精度と計算速度を両立させる, 結合型滑らか化近位勾配(G)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-08-10T21:50:19Z)
• Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field and Online Inference [47.460898983429374]
  我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。 EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。 得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
  論文  参考訳（メタデータ） (2023-12-10T15:22:30Z)
• Sampling from Gaussian Process Posteriors using Stochastic Gradient Descent [43.097493761380186]
  勾配アルゴリズムは線形系を解くのに有効な方法である。 最適値に収束しない場合であっても,勾配降下は正確な予測を導出することを示す。 実験的に、勾配降下は十分に大規模または不条件の回帰タスクにおいて最先端の性能を達成する。
  論文  参考訳（メタデータ） (2023-06-20T15:07:37Z)
• Log Barriers for Safe Black-box Optimization with Application to Safe Reinforcement Learning [72.97229770329214]
  本稿では,学習時の安全性維持が不可欠である高次元非線形最適化問題に対する一般的なアプローチを提案する。 LBSGDと呼ばれるアプローチは、慎重に選択されたステップサイズで対数障壁近似を適用することに基づいている。 安全強化学習における政策課題の違反を最小限に抑えるためのアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2022-07-21T11:14:47Z)
• iSDF: Real-Time Neural Signed Distance Fields for Robot Perception [64.80458128766254]
  iSDFは実時間符号付き距離場再構成のための連続学習システムである。 より正確な再構築と、衝突コストと勾配のより良い近似を生成する。
  論文  参考訳（メタデータ） (2022-04-05T15:48:39Z)
• Rare event estimation using stochastic spectral embedding [0.0]
  まれな障害事象の確率を推定することは、エンジニアリングシステムの信頼性評価において重要なステップである。 稀な事象推定問題を効率的に解くためにアルゴリズムを調整した一連の修正を提案する。
  論文  参考訳（メタデータ） (2021-06-09T16:10:33Z)

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。