論文の概要: Semantic Zone-Based Map Management for Stable AI-Integrated Mobile Robots

• arxiv url: http://arxiv.org/abs/2603.29627v1
• Date: Tue, 31 Mar 2026 11:50:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-01 15:25:03.588186
• Title: Semantic Zone-Based Map Management for Stable AI-Integrated Mobile Robots
• Title（参考訳）: 安定型AI統合移動ロボットのセマンティックゾーンマップ管理
• Authors: Huichang Yun, Seungho Yoo,
• Abstract要約: 本稿では,メモリ制約下での高密度マップ利用を安定化するためのセマンティックゾーンベースのマップ管理手法を提案する。 大規模室内環境とNVIDIA Jetson Orin Nano上でのSLAM-VLM同時実行による提案手法の評価を行った。
• 参考スコア（独自算出の注目度）: 0.552480439325792
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in large AI models (VLMs and LLMs) and joint use of the 3D dense maps, enable mobile robots to provide more powerful and interactive services grounded in rich spatial context. However, deploying both heavy AI models and dense maps on edge robots is challenging under strict memory budgets. When the memory budget is exceeded, required keyframes may not be loaded in time, which can degrade the stability of position estimation and interfering model performance. We proposes a semantic zone-based map management approach to stabilize dense-map utilization under memory constraints. We associate keyframes with semantic indoor regions (e.g., rooms and corridors) and keyframe management at the semantic zone level prioritizes spatially relevant map content while respecting memory constraints. This reduces keyframe loading and unloading frequency and memory usage. We evaluate the proposed approach in large-scale simulated indoor environments and on an NVIDIA Jetson Orin Nano under concurrent SLAM-VLM execution. With Qwen3.5:0.8b, the proposed method improves throughput by 3.3 tokens/s and reduces latency by 21.7% relative to a geometric map-management strategy. Furthermore, while the geometric strategy suffers from out-of-memory failures and stalled execution under memory pressure, the proposed method eliminates both issues, preserving localization stability and enabling robust VLM operation. These results demonstrate that the proposed approach enables efficient dense map utilization for memory constrained, AI-integrated mobile robots. Code is available at: https://github.com/huichangs/rtabmap/tree/segment
• Abstract（参考訳）: 大規模AIモデル(VLMsとLLMs)の最近の進歩と3D高密度マップの併用により、移動ロボットは、より強力でインタラクティブなサービスを、より豊かな空間的コンテキストで提供できるようになる。 しかし、エッジロボットに重いAIモデルと密集したマップの両方をデプロイすることは、厳格なメモリ予算の下では困難である。 メモリ予算を超えると、必要なキーフレームは時間内にロードされず、位置推定と干渉モデルの性能の安定性を低下させることができる。 本稿では,メモリ制約下での高密度マップ利用を安定化するためのセマンティックゾーンベースのマップ管理手法を提案する。 キーフレームとセマンティック屋内領域(例えば、部屋や廊下)を関連付けるとともに、セマンティックゾーンレベルでキーフレームの管理は、メモリ制約を尊重しながら空間的に関係のあるマップコンテンツを優先する。 これにより、キーフレームのロードと、頻度とメモリ使用量のアンロードが削減される。 大規模室内環境とNVIDIA Jetson Orin Nano上でのSLAM-VLM同時実行による提案手法の評価を行った。 Qwen3.5:0.8bでは,提案手法はスループットを3.3トークン/秒改善し,幾何学的マップ管理戦略と比較してレイテンシを21.7%削減する。 さらに,この幾何学的戦略はメモリ外障害やメモリ圧力下での動作停止に悩まされているが,本手法では両方の問題を排除し,ローカライゼーションの安定性を保ち,ロバストなVLM操作を可能にする。 これらの結果から,提案手法により,メモリ制約付きAI統合移動ロボットの高効率な高密度マップ利用が可能となった。 https://github.com/huichangs/rtabmap/tree/segment

関連論文リスト

• Beyond Short-Horizon: VQ-Memory for Robust Long-Horizon Manipulation in Non-Markovian Simulation Benchmarks [96.60530830276281]
  RuleSafeは、スケーラブルなLLM支援シミュレーションフレームワーク上に構築された、新しいオペレーティングベンチマークである。 VQ-Memoryはベクトル量子化変分オートエンコーダを用いたコンパクトで構造化された時間表現である。
  論文  参考訳（メタデータ） (2026-03-10T11:13:54Z)
• Semantic Zone based 3D Map Management for Mobile Robot [0.552480439325792]
  3Dマップは大量のメモリを消費するので、限られた計算資源内で完全なマップデータを維持することは困難である。 既存のSLAMフレームワークは通常、メモリ管理のために幾何学的距離や時間的メトリクスに依存している。 本稿では,そのパラダイムを幾何学中心の制御から意味論中心の制御へシフトさせるセマンティックゾーンに基づく3Dマップ管理手法を提案する。
  論文  参考訳（メタデータ） (2025-12-13T07:55:40Z)
• MambaMap: Online Vectorized HD Map Construction using State Space Model [11.15033113060733]
  MambaMapは、オンラインベクター化されたHDマップを構築するために、状態空間の長い時間的特徴を効率的に融合する新しいフレームワークである。 具体的には、MambaMapにはメモリバンクが組み込まれており、過去のフレームから情報を保存して活用している。 さらに,BEVとインスタンスレベルの特徴抽出を強化するために,革新的な多方向・時空間走査方式を設計する。
  論文  参考訳（メタデータ） (2025-07-27T11:09:27Z)
• Long-Context State-Space Video World Models [66.28743632951218]
  本稿では、状態空間モデル(SSM)を活用して、計算効率を損なうことなく時間記憶を拡張する新しいアーキテクチャを提案する。 我々の設計の中心はブロックワイズSSMスキャン方式であり、時間記憶の拡張のために空間整合性を戦略的にトレードオフする。 メモリ迷路とMinecraftのデータセットの実験は、我々のアプローチが長距離メモリ保存のベースラインを超えたことを示している。
  論文  参考訳（メタデータ） (2025-05-26T16:12:41Z)
• Efficient Masked AutoEncoder for Video Object Counting and A Large-Scale Benchmark [52.339936954958034]
  前景の動的不均衡は、ビデオオブジェクトのカウントにおいて大きな課題である。 本稿では,密度埋め込み型効率的なマスドオートエンコーダカウント(E-MAC)フレームワークを提案する。 さらに,渡り鳥保護のための自然シナリオにおいて,まず,大規模なビデオバードカウントデータセットであるDroneBirdを提案する。
  論文  参考訳（メタデータ） (2024-11-20T06:08:21Z)
• OMEGA: Efficient Occlusion-Aware Navigation for Air-Ground Robot in Dynamic Environments via State Space Model [12.096387853748938]
  地上ロボット(AGR)は、監視や災害対応に広く利用されている。 現在のAGRナビゲーションシステムは、静的環境においてよく機能する。 しかし、これらのシステムは動的で厳しい閉塞シーンの課題に直面している。 これらの問題に対処するために,効率的なAGR-Plannerを用いたOccMambaを提案する。
  論文  参考訳（メタデータ） (2024-08-20T07:50:29Z)
• Neural Implicit Dense Semantic SLAM [83.04331351572277]
  本稿では,屋内シーンのメモリ効率,高密度な3次元形状,セマンティックセマンティックセグメンテーションをオンラインで学習する新しいRGBD vSLAMアルゴリズムを提案する。 私たちのパイプラインは、従来の3Dビジョンベースのトラッキングとループクローズとニューラルフィールドベースのマッピングを組み合わせたものです。 提案アルゴリズムはシーン認識を大幅に向上させ,様々なロボット制御問題を支援する。
  論文  参考訳（メタデータ） (2023-04-27T23:03:52Z)
• Efficient Map Sparsification Based on 2D and 3D Discretized Grids [47.22997560184043]
  マップが大きくなると、より多くのメモリが必要になり、ローカライゼーションが非効率になる。 以前の地図スペーシフィケーション法は、選択されたランドマークの均一分布を強制するために混合整数計画において二次項を追加する。 本稿では,効率的な線形形式で地図スペーシフィケーションを定式化し,2次元離散格子に基づく一様分布ランドマークを選択する。
  論文  参考訳（メタデータ） (2023-03-20T05:49:14Z)
• Large-scale Autonomous Flight with Real-time Semantic SLAM under Dense Forest Canopy [48.51396198176273]
  本研究では,大規模自律飛行とリアルタイムセマンティックマッピングを,挑戦的なアンダーキャノピー環境下で実現可能な統合システムを提案する。 我々は、スキャン全体で関連付けられ、木のトランクモデルと同様にロボットのポーズを制約するために使用されるLiDARデータから、木の幹と地面の平面を検出し、モデル化する。 ドリフト補償機構は、プランナー最適性とコントローラ安定性を維持しつつ、セマンティックSLAM出力を用いたドリフトをリアルタイムで最小化するように設計されている。
  論文  参考訳（メタデータ） (2021-09-14T07:24:53Z)

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。