論文の概要: Raymoval: Raycasting-based Dynamic Object Removal for Static 3D Mapping
- arxiv url: http://arxiv.org/abs/2605.08937v1
- Date: Sat, 09 May 2026 13:15:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-19 14:59:50.785843
- Title: Raymoval: Raycasting-based Dynamic Object Removal for Static 3D Mapping
- Title（参考訳）: Raymoval:静的3次元マッピングのためのレイキャストに基づく動的物体除去
- Abstract要約: 静的3次元マッピングにおける動的オブジェクト除去のためのレイキャストに基づくモジュールを提案する。
それぞれのスキャンは方位上昇格子上に投影され、各観測方向について、ビンワイドの最小範囲と、レイキャストによって計算された地図の第一ヒット距離を比較する。
最後に、空間的整合性検証ステップはラベルを洗練し、低い残留ダイナミクスと過剰除去の少ない静的マップを生成する。
- 参考スコア（独自算出の注目度）: 8.410344664123071
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Static mapping is fundamental to robot navigation, providing a persistent geometric prior and a consistent reference for long-term autonomy. However, dynamic objects leave residual traces and cause surface loss, which reduces map consistency. We propose a raycasting-based module for dynamic object removal in static 3D mapping. Each scan is projected onto an azimuth-elevation grid, and for every viewing direction we compare the bin-wise minimum range with the map's first-hit distance computed by raycasting. Furthermore, we apply a raycast consistency test that separates dynamic from static points. Finally, a spatial consistency validation step refines labels, producing static maps with lower residual dynamics and reduced over-removal. We evaluate our approach quantitatively and qualitatively on SemanticKITTI and a challenging custom dataset, and show consistent static mapping results.
- Abstract（参考訳）: 静的マッピングはロボットナビゲーションの基本であり、永続的な幾何学的事前と長期的自律性のための一貫した参照を提供する。
しかし、動的オブジェクトは残留したトレースを残し、表面の損失を引き起こすため、マップの一貫性が低下する。
静的3次元マッピングにおける動的オブジェクト除去のためのレイキャストに基づくモジュールを提案する。
それぞれのスキャンは方位上昇格子上に投影され、各観測方向について、ビンワイドの最小範囲と、レイキャストによって計算された地図の第一ヒット距離を比較する。
さらに,静的点から動的点を分離するレイキャスト整合性試験を適用した。
最後に、空間的整合性検証ステップはラベルを洗練し、低い残留ダイナミクスと過剰除去の少ない静的マップを生成する。
我々はSemanticKITTIと挑戦的なカスタムデータセットを定量的に定性的に評価し、一貫した静的マッピング結果を示す。
関連論文リスト
- RayMap3R: Inference-Time RayMap for Dynamic 3D Reconstruction [22.98233376526841]
ストリームフィードフォワード3D再構成により,RGB画像からシーン形状とカメラポーズをリアルタイムに同時推定できる。
動的シーン再構成のためのトレーニング不要ストリーミングフレームワークRayMap3Rを提案する。
論文 参考訳（メタデータ） (2026-03-21T01:04:31Z) - D$^2$USt3R: Enhancing 3D Reconstruction for Dynamic Scenes [54.886845755635754]
本研究は動的シーンにおける3次元再構成の課題に対処し,物体の動きが従来の3次元ポイントマップ回帰法の品質を劣化させる。
空間的側面と時間的側面の両方を明示的に組み込むことにより,提案した点マップに対する3次元密度対応のカプセル化に成功した。
論文 参考訳（メタデータ） (2025-04-08T17:59:50Z) - POMATO: Marrying Pointmap Matching with Temporal Motion for Dynamic 3D Reconstruction [53.19968902152528]
POMATOは時間運動と一致する点マップを結合して動的3次元再構成を実現するための統合フレームワークである。
具体的には,RGB画素を動的および静的の両方の領域から3次元ポイントマップにマッピングすることで,明示的なマッチング関係を学習する。
本稿では,複数の下流タスクにまたがる顕著な性能を示すことによって,提案したポイントマップマッチングと時間融合のパラダイムの有効性を示す。
論文 参考訳（メタデータ） (2025-04-08T05:33:13Z) - Dynamic Point Maps: A Versatile Representation for Dynamic 3D Reconstruction [56.32589034046427]
本研究では,ダイナミックポイントマップ(DPM)を導入し,モーションセグメンテーション,シーンフロー推定,3次元物体追跡,2次元対応などの4次元タスクをサポートする標準点マップを拡張した。
我々は,合成データと実データを組み合わせたDPM予測器を訓練し,映像深度予測,ダイナミックポイントクラウド再構成,3次元シーンフロー,オブジェクトポーズ追跡,最先端性能の達成など,様々なベンチマークで評価する。
論文 参考訳（メタデータ） (2025-03-20T16:41:50Z) - MonST3R: A Simple Approach for Estimating Geometry in the Presence of Motion [118.74385965694694]
我々は動的シーンから時間ステップごとの幾何を直接推定する新しい幾何学的アプローチであるMotion DUSt3R(MonST3R)を提案する。
各タイムステップのポイントマップを単純に推定することで、静的シーンにのみ使用されるDUST3Rの表現を動的シーンに効果的に適応させることができる。
我々は、問題を微調整タスクとしてポーズし、いくつかの適切なデータセットを特定し、この制限されたデータ上でモデルを戦略的に訓練することで、驚くほどモデルを動的に扱えることを示す。
論文 参考訳（メタデータ） (2024-10-04T18:00:07Z) - SMORE: Simultaneous Map and Object REconstruction [66.66729715211642]
本稿では,LiDARから大規模都市景観を動的に再現する手法を提案する。
我々は、世界が厳格に動く物体と背景に分解される動的なシーンの構成モデルを総合的に捉え、最適化する。
論文 参考訳（メタデータ） (2024-06-19T23:53:31Z) - 3D LiDAR Mapping in Dynamic Environments Using a 4D Implicit Neural Representation [33.92758288570465]
正確な地図の構築は、自動運転車の信頼性の高いローカライゼーション、計画、ナビゲーションを可能にする重要なビルディングブロックである。
我々は、4Dシーンを新しい暗黙的ニューラルマップ表現に符号化する。
提案手法は, 高精度で完全な3次元地図を再構成しながら, 入力点雲の動的部分を除去することができる。
論文 参考訳（メタデータ） (2024-05-06T11:46:04Z) - DORT: Modeling Dynamic Objects in Recurrent for Multi-Camera 3D Object
Detection and Tracking [67.34803048690428]
本稿では、この問題を解決するためにRecurrenT(DORT)の動的オブジェクトをモデル化することを提案する。
DORTは、重い計算負担を軽減する動き推定のために、オブジェクトワイズローカルボリュームを抽出する。
フレキシブルで実用的で、ほとんどのカメラベースの3Dオブジェクト検出器に差し込むことができる。
論文 参考訳（メタデータ） (2023-03-29T12:33:55Z) - Object DGCNN: 3D Object Detection using Dynamic Graphs [32.090268859180334]
3Dオブジェクト検出は、複雑なトレーニングとテストパイプラインを伴うことが多い。
近年,非最大抑圧型2次元物体検出モデルに着想を得て,点雲上の3次元物体検出アーキテクチャを提案する。
論文 参考訳（メタデータ） (2021-10-13T17:59:38Z) - ERASOR: Egocentric Ratio of Pseudo Occupancy-based Dynamic Object
Removal for Static 3D Point Cloud Map Building [0.1474723404975345]
本稿では,pSeudo Occupancy-based dynamic object Removal の ERASOR, Egocentric RAtio という新しい静的マップ構築手法を提案する。
私たちのアプローチは、必然的に地面と接触している都市環境における最もダイナミックなオブジェクトの性質にその注意を向けます。
論文 参考訳（メタデータ） (2021-03-07T10:29:07Z) - Tracking Emerges by Looking Around Static Scenes, with Neural 3D Mapping [23.456046776979903]
本稿では,任意の場面(静的あるいは動的)における静止点のマルチビューデータを利用して,ニューラル3Dマッピングモジュールを学習することを提案する。
ニューラル3Dマッパーは、RGB-Dデータを入力として消費し、深い特徴の3Dボクセルグリッドを出力として生成する。
教師なし3Dオブジェクトトラッカーは、教師なし2Dと2.5Dのトラッカーよりも優れており、教師なし3Dオブジェクトトラッカーの精度に近づいていることを示す。
論文 参考訳（メタデータ） (2020-08-04T02:59:23Z)
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。