論文の概要: Mono-Hydra++: Real-Time Monocular Scene Graph Construction with Multi-Task Learning for 3D Indoor Mapping

• arxiv url: http://arxiv.org/abs/2605.17661v1
• Date: Sun, 17 May 2026 21:36:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:48.305948
• Title: Mono-Hydra++: Real-Time Monocular Scene Graph Construction with Multi-Task Learning for 3D Indoor Mapping
• Title（参考訳）: Mono-Hydra++:3次元屋内マッピングのためのマルチタスク学習によるリアルタイムモノクロシーングラフ構築
• Authors: U. V. B. L. Udugama, George Vosselman, Francesco Nex,
• Abstract要約: 室内のメカニカルセマンティックマッピングと階層的な3Dシーングラフ構築のためのリアルタイム単眼RGBとIMUパイプラインであるMono-Hydra++を提案する。 Mono-Hydra++は、アクティブな深度センサーに頼ることなく、リソース制約のあるロボットプラットフォームに対してリアルタイムなメトリックセマンティックマッピングとシーングラフ構築を提供する。
• 参考スコア（独自算出の注目度）: 4.329662126907974
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Autonomous agile robots need more than metric geometry: they must understand objects, rooms, places, and spatial relations for search, inspection, exploration, and human robot interaction. Conventional metric maps support localization and collision avoidance, but do not provide this semantic and relational structure. 3D scene graphs address this gap by connecting geometry with object level and room level understanding. Building such representations on agile platforms remains difficult because aerial and lightweight robots operate under strict payload, power, and compute limits, making RGB-D cameras and LiDAR sensors impractical for many onboard settings. We present Mono-Hydra++, a real time monocular RGB plus IMU pipeline for indoor metric semantic mapping and hierarchical 3D scene graph construction. The system combines M2H-MX, a DINOv3 based multi-task model for depth and semantics, with a deep feature visual inertial odometry front end, sparse predicted depth constraints in the VIO derived pose graph, semantic masking for dynamic regions, and pose aware temporal alignment before volumetric fusion in the Mono-Hydra backend. On the Go-SLAM ScanNet evaluation subset, Mono-Hydra++ achieves 1.6% lower average trajectory error than the strongest RGB-D baseline in our comparison, while using only monocular RGB plus IMU input. On calibrated 7-Scenes, it improves average ATE by 29.8% over the strongest competing calibrated baseline. We further validate Mono-Hydra++ in a real ITC building deployment using RealSense RGB plus IMU and demonstrate embedded feasibility by deploying the ONNX/TensorRT FP16 M2H-MX-L perception model at 25.53 FPS on a Jetson Orin NX 16GB. These results show that Mono-Hydra++ can provide real time metric semantic mapping and scene graph construction for resource constrained robotic platforms without relying on active depth sensors.
• Abstract（参考訳）: 自律型アジャイルロボットは、メートル法以上のものを必要としている。オブジェクト、部屋、場所、そして探索、検査、探索、人間のロボットの相互作用のための空間的関係を理解する必要がある。 従来の計量地図は局所化と衝突回避をサポートしているが、この意味構造や関係構造は提供していない。 3次元シーングラフは、幾何学とオブジェクトレベルとルームレベルの理解を結びつけることで、このギャップに対処する。 RGB-DカメラとLiDARセンサーを多くのオンボード設定で非現実的にするため、空と軽量のロボットは厳格なペイロード、パワー、計算限界の下で動作するため、アジャイルプラットフォーム上でそのような表現を構築することは依然として難しい。 室内のメカニカルセマンティックマッピングと階層的な3Dシーングラフ構築のためのリアルタイム単眼RGBとIMUパイプラインであるMono-Hydra++を提案する。 このシステムは、DINOv3ベースの深度とセマンティックスのためのマルチタスクモデルであるM2H-MXと、深い特徴を持つ視覚的慣性オードメトリーのフロントエンド、VIO派生ポーズグラフにおけるスパース予測深度制約、動的領域に対するセマンティックマスク、Mono-Hydraバックエンドでの体積融合前の時間的アライメントを組み合わせている。 Go-SLAM ScanNet 評価サブセットでは,Mono-Hydra++ は単分子 RGB と IMU 入力のみを使用しながら,比較において最強の RGB-D ベースラインよりも平均軌道誤差が 1.6% 低い。 キャリブレーション7シーンでは、最強のキャリブレーションベースラインよりも平均で29.8%向上している。 我々はさらに、RealSense RGBとIMUを用いた実際のITCビルディングデプロイメントにおけるMono-Hydra++の検証を行い、Jetson Orin NX 16GB上で25.53 FPSでONNX/TensorRT FP16 M2H-MX-L知覚モデルをデプロイすることで、組み込み実現可能性を示す。 これらの結果から,Mono-Hydra++は,アクティブな深度センサを使わずに,リソース制約されたロボットプラットフォームに対して,リアルタイムなメソニティマッピングとシーングラフ構築を実現することができることがわかった。

関連論文リスト

• Demo-Pose: Depth-Monocular Modality Fusion For Object Pose Estimation [5.466547563815996]
  本稿では,RGB-D入力からのカテゴリレベルの9-DoFポーズ推定の課題をCADモデルに頼らずに解決する。 深度に基づくグラフ畳み込み表現とセマンティック特徴を融合したハイブリッドアーキテクチャであるDeMo-Poseを提案する。 提案手法は,オブジェクトカテゴリ間のリアルタイム推論を実現し,最先端の手法を大幅に改善する。
  論文  参考訳（メタデータ） (2026-03-29T05:58:04Z)
• MVGGT: Multimodal Visual Geometry Grounded Transformer for Multiview 3D Referring Expression Segmentation [59.75554954111619]
  マルチビュー3D参照表現(MV-3DRES)を導入し、モデルがシーン構造を復元し、参照対象をスパースなマルチビュー画像から直接セグメント化する必要がある。 本稿では,言語情報をスパースビュー幾何学的推論に組み込む,効率的なエンドツーエンドフレームワークであるMultimodal Visual Geometry Grounded Transformer (MVGGT)を提案する。 実験により、MVGGTは最初の強力なベースラインを確立し、高精度かつ高速な推論を達成し、既存の選択肢よりも優れていることが示された。
  論文  参考訳（メタデータ） (2026-01-11T11:44:07Z)
• Dropping the D: RGB-D SLAM Without the Depth Sensor [16.83416267639945]
  深度センサに頼らずにRGB-Dレベルの精度を実現するリアルタイム単眼SLAMシステムであるDropD-SLAMを提案する。 このシステムは、アクティブな深度入力を3つの事前訓練された視覚モジュールに置き換える。 TUM RGB-Dベンチマークでは、DropD-SLAMは静的シーケンスで平均7.4cm、動的シーケンスで1.8cmに達する。
  論文  参考訳（メタデータ） (2025-10-07T17:59:30Z)
• MCGS-SLAM: A Multi-Camera SLAM Framework Using Gaussian Splatting for High-Fidelity Mapping [52.99503784067417]
  3次元ガウス平板上に構築した初のRGBベースのマルチカメラSLAMシステムMCGS-SLAM(3DGS)を提案する。 マルチカメラバンドル調整(MCBA)は、高密度の測光および幾何残差を介してポーズと深さを共同で洗練し、スケール整合モジュールはビューを横断する計量アライメントを強制する。 合成および実世界のデータセットの実験は、MCGS-SLAMが一貫して正確な軌道と光現実的再構成をもたらすことを示している。
  論文  参考訳（メタデータ） (2025-09-17T17:27:53Z)
• OmniUnet: A Multimodal Network for Unstructured Terrain Segmentation on Planetary Rovers Using RGB, Depth, and Thermal Imagery [0.5837061763460748]
  この研究は、RGB、深さ、熱画像を用いたセマンティックセグメンテーションのためのトランスフォーマーベースのニューラルネットワークアーキテクチャであるOmniUnetを提示する。 カスタム・マルチモーダル・センサー・ハウジングは3Dプリンティングを使用して開発され、マーチャン・ローバー・テストベッド・フォー・オートノミーに搭載された。 このデータセットのサブセットは手動でラベル付けされ、ネットワークの教師付きトレーニングをサポートする。 推論テストでは、リソース制約されたコンピュータで平均673msの予測時間を得た。
  論文  参考訳（メタデータ） (2025-08-01T12:23:29Z)
• Mono-hydra: Real-time 3D scene graph construction from monocular camera input with IMU [0.0]
  ロボットが3D環境を自律的にナビゲートする能力は、空間概念の理解に依存する。 3Dシーングラフは、概念とその関連性の層グラフとして環境を表現するための堅牢なツールとして登場した。 本稿では,屋内シナリオに着目したモノクロカメラとIMUセンサーを組み合わせたリアルタイム空間認識システムMono-Hydraについて述べる。
  論文  参考訳（メタデータ） (2023-08-10T11:58:38Z)
• MonoNext: A 3D Monocular Object Detection with ConvNext [69.33657875725747]
  本稿では3次元物体検出のためのMonoNextと呼ばれる新しいマルチタスク学習手法を提案する。 MonoNextは、ConvNextネットワークに基づく直接的なアプローチを採用し、3Dバウンディングボックスデータのみを必要とする。 KITTIデータセットを用いた実験では,MonoNextは最先端のアプローチに匹敵する高精度かつ競争的な性能を達成した。
  論文  参考訳（メタデータ） (2023-08-01T15:15:40Z)
• TANDEM: Tracking and Dense Mapping in Real-time using Deep Multi-view Stereo [55.30992853477754]
  本稿では,リアルタイムな単分子追跡と高密度フレームワークであるTANDEMを紹介する。 ポーズ推定のために、TANDEMはアライメントのスライディングウィンドウに基づいて光度バンドル調整を行う。 TANDEMは最先端のリアルタイム3D再構成性能を示す。
  論文  参考訳（メタデータ） (2021-11-14T19:01:02Z)

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。