論文の概要: OPAL: Omnidirectional Path-efficient Aerial 3D expLoration

• arxiv url: http://arxiv.org/abs/2605.25423v1
• Date: Mon, 25 May 2026 04:51:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:19.291904
• Title: OPAL: Omnidirectional Path-efficient Aerial 3D expLoration
• Title（参考訳）: OPAL:全方位パス効率3次元空気膨張
• Authors: Yoga Satwik Chappidi, Avideh Zakhor,
• Abstract要約: 本研究では,不明瞭な分岐点における意図的な360度ヨー回転に着目した探査フレームワークを提案する。 我々は、フロンティア選択戦略を決定するために、OPALの複数の変種を考案する。 本研究では,フロンティア選択探索半径の調整により,旅行距離と全探査時間とのトレードオフが可能であることを示す。
• 参考スコア（独自算出の注目度）: 3.007949058551534
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autonomous exploration is critical for robot mapping unknown environments. Desirable characteristics of exploration algorithms include compute efficiency and small traversed distance during the exploration process. Motivated by these, we present Omnidirectional Path-efficient Aerial 3D expLoration (OPAL), an exploration framework centered on deliberate 360-degree yaw rotation at ambiguous branch points rather than compute-heavy global tour planning. We devise multiple variants of OPAL to determine the frontier-selection strategy once the yaw pan is completed. One variant is model-free, while others use large language models (LLMs) or vision-language models (VLMs). We characterize the performance of these variants while varying the vicinity search radius to include frontiers in the selection process. Through simulations we find that although the time-consuming in-place yaw rotation increases total exploration time relative to more computationally complex baselines such as EDEN and FALCON, OPAL is computationally simpler and achieves shorter travel distances and higher coverage-versus-distance area under the curve. We also show that adjusting the frontier-selection search radius enables a tradeoff between travel distance and total exploration time. We verify our results on a Modal AI drone in two indoor environments by comparing OPAL against FALCON, and find that the traveled distance for a variant of OPAL to be as much as 25% lower than FALCON.
• Abstract（参考訳）: 自律探査は未知の環境をマッピングするロボットにとって重要である。 探索アルゴリズムの望ましい特徴は、探索過程における計算効率と小さな走行距離である。 これらを動機として,計算量の多いグローバルツアー計画ではなく,曖昧な分岐点での360度ヨー回転を意識した探索フレームワークであるOmnidirectional Path- efficient Aerial 3D expLoration(OPAL)を提案する。 我々は、ヨーパンが完成すればフロンティア選択戦略を決定するために、OPALの複数の変種を考案する。 1つの変種はモデルフリーであり、他の変種は大きな言語モデル(LLM)または視覚言語モデル(VLM)を使用する。 我々は,これらの変種の性能を,選択過程におけるフロンティアを含むように近距離探索半径を変化させながら特徴付ける。 シミュレーションにより, EDEN や FALCON などの計算量の多いベースラインと比較して, 所要のヨー回転が全探索時間を増大させるが, OPAL は計算的に単純であり, 曲線下における移動距離が短く, 対向距離が大きくなる。 また,フロンティア選択探索半径の調整により,旅行距離と全探査時間とのトレードオフが可能であることを示す。 2つの屋内環境におけるModal AIドローンによる実験結果を,OPALとFALCONを比較して検証し,OPALの変種間距離がFALCONより25%低いことを確認する。

関連論文リスト

• G-DRAGON: Geospatial Reasoning and Dynamic Planning for Retrieval-Augmented Outdoor Navigation [8.375852792481576]
  G-DRAGONは、屋外のオープンワールドナビゲーションのための検索拡張フレームワークである。 軽量LLMに基づく生成検索により、自然言語コマンドをバージョン管理されたローカルOSMエンティティにマッピングする。 高レベルの計画モジュールは、SLAMシステムでグローバルなトポロジカルなルートをブリッジし、地理空間的な経路をロボットのナビゲート可能なフレームに投影する。
  論文  参考訳（メタデータ） (2026-05-25T09:52:58Z)
• Semantic-Aware Guided Drone Exploration for Language-Conditioned 3D Indoor Mapping [3.007949058551534]
  未知の3次元屋内環境における開語彙探索システムであるSAGEについて述べる。 セマンティックな手がかりでフロンティアの選択を優先順位付けしながら、カバレッジ指向の振る舞いを保存する。 私たちは、Modal AI Starling 2rotor上で、現実世界の5つのフライトで2つの環境にSAGEをデプロイします。
  論文  参考訳（メタデータ） (2026-05-22T02:21:58Z)
• FrontierNet: Learning Visual Cues to Explore [54.8265603996238]
  この研究は、3Dマップからゴールポーズを抽出する制限に対処するため、効率的な自律探索に2Dビジュアルキューを活用することを目的としている。 本稿では、FrontierNetをコアコンポーネントとする、視覚のみのフロンティアベースの探索システムを提案する。 提案手法は,既存の3次元目標抽出手法に代わるもので,早期探索効率の15%向上を実現している。
  論文  参考訳（メタデータ） (2025-01-08T16:25:32Z)
• MiM-ISTD: Mamba-in-Mamba for Efficient Infrared Small Target Detection [72.46396769642787]
  ネスト構造であるMamba-in-Mamba(MiM-ISTD)を開発した。 MiM-ISTDはSOTA法より8倍高速で、2048×2048$のイメージでテストすると、GPUメモリ使用率を62.2$%削減する。
  論文  参考訳（メタデータ） (2024-03-04T15:57:29Z)
• Reinforcement Learning with Frontier-Based Exploration via Autonomous Environment [0.0]
  この研究は、ExploreORBとして知られる既存のVisual-Graph SLAMと強化学習を組み合わせたものである。 提案アルゴリズムは、フロンティアの探索プロセスを最適化し、より正確な地図を作成することにより、ExploreORBの効率と精度を向上させることを目的としている。
  論文  参考訳（メタデータ） (2023-07-14T12:19:46Z)
• GoToNet: Fast Monocular Scene Exposure and Exploration [0.6204265638103346]
  リアルタイム環境探索のための新しい手法を提案する。 我々の方法は良い戦術的な決定を下すのに一面(イメージ)しか必要としない。 GotoとLookatと呼ばれる画素が特徴である2つの方向予測が,本手法のコアを構成する。
  論文  参考訳（メタデータ） (2022-06-13T08:28:31Z)
• 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)
• Occupancy Anticipation for Efficient Exploration and Navigation [97.17517060585875]
  そこで我々は,エージェントが自我中心のRGB-D観測を用いて,その占有状態を可視領域を超えて推定する,占有予測を提案する。 エゴセントリックなビューとトップダウンマップの両方でコンテキストを活用することで、私たちのモデルは環境のより広いマップを予測できます。 われわれのアプローチは、2020 Habitat PointNav Challengeの優勝だ。
  論文  参考訳（メタデータ） (2020-08-21T03:16:51Z)
• Searching Collaborative Agents for Multi-plane Localization in 3D Ultrasound [59.97366727654676]
  3D超音波(US)はその豊富な診断情報、可搬性、低コストのために広く用いられている。 米国における標準平面(SP)のローカライゼーションは,効率の向上とユーザ依存の低減だけでなく,米国における3D解釈の促進にも寄与する。 本稿では,複数の子宮SPを同時に3D USにローカライズするマルチエージェント強化学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-30T07:23:55Z)

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。