論文の概要: Location Prior Generation via Multi-Source Urban Data Fusion for Low-Altitude Air Mobility

• arxiv url: http://arxiv.org/abs/2605.25530v1
• Date: Mon, 25 May 2026 07:35:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:19.445445
• Title: Location Prior Generation via Multi-Source Urban Data Fusion for Low-Altitude Air Mobility
• Title（参考訳）: 低高度空調用マルチソース都市データフュージョンによる位置優先生成
• Authors: Xiang Xie, Xiaonan Liu,
• Abstract要約: グローバル地理空間データベースの95%以上の構造ではビルの高さは欠落している。 新興の低高度経済にとって、このデータギャップは、各飛行プラットフォームにリアルタイムのオンボードセンシングを頼らざるを得ない。 マルチソースデータ融合パイプラインであるLocation Prior Generation Framework(LPGF)を提案する。
• 参考スコア（独自算出の注目度）: 14.898419432228897
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Building height, the third dimension (3D) of urban spatial data, is absent in over 95% of structures in global geospatial databases. For the emerging low-altitude economy, this data gap forces each aerial platform to rely on real-time onboard sensing rather than pre-computed 3D scene geometry. We present the Location Prior Generation Framework (LPGF), a multi-source data fusion pipeline that integrates Sentinel-2 imagery, UAV telemetry, vehicle GPS trajectories, and OpenStreetMap footprints into structured, reusable urban location priors. LPGF assigns building heights through a three-tier priority hierarchy: (1) explicit OSM height tags where available, (2) floor count multiplied by 3.2 m per story where recorded, and (3) building-type default heights otherwise, yielding a worst-case error of approximately 5.5 m. An optional shadow-based height estimation module (SHEM) is activated only when a four-criterion quality gate is satisfied; when any criterion fails, the pipeline routes to structured fallback. On the MiTra A50 Milan dataset, the quality gate correctly identified two imaging failure modes: sub-pixel shadows at 10 m GSD and ground shadow merging at 0.93 m GSD, producing a consistent 27-building prior in both cases. Tier 3 type-default heights were validated against manual floor counts (n=15), achieving MAE=3.07 m within the 5.0 m uncertainty bound. The framework demonstrates that structured, quality-gated fusion of universally available data streams can bootstrap 3D scene coverage for low-altitude urban operations.
• Abstract（参考訳）: 都市空間データの3次元(3次元)である建物の高さは、地球地理空間データベースにおける95%以上の構造に欠落している。 新興の低高度経済にとって、このデータギャップは、事前に計算された3Dシーンの形状よりも、各空中プラットフォームにリアルタイムのオンボードセンシングを頼らざるを得ない。 我々は,Sentinel-2画像,UAVテレメトリ,車両GPSトラジェクトリ,OpenStreetMapフットプリントを統合した多ソースデータ融合パイプラインであるLocation Prior Generation Framework(LPGF)を紹介する。 LPGFは、(1)利用可能なOSM高さタグ、(2)記録されているストーリーあたり3.2mのフロアカウント、(3)ビルタイプのデフォルト高さの3階層でビルの高さを割り当て、最悪のケースエラーは約5.5mとなる。 オプションシャドウベース高さ推定モジュール(SHEM)は、4つの基準品質ゲートが満たされた場合にのみ起動される。 MiTra A50ミラノのデータセットでは、品質ゲートは10 m GSDのサブピクセルシャドウと0.93 m GSDのグラウンドシャドウの2つのイメージング障害モードを正しく識別し、両方のケースで一貫した27つのビルドを生成する。 手動の床数(n=15)に対して,5.0mの不確実範囲内でMAE=3.07mを達成した。 このフレームワークは、構造化された高品質なデータストリームの融合によって、低高度の都市での運用のために3Dシーンをブートストラップできることを実証している。

関連論文リスト

• Unifying UAV Cross-View Geo-Localization via 3D Geometric Perception [51.687842983240564]
  無人航空機(UAV)のクロスビューな地上局地化は、斜めのUAV画像と衛星地図との厳密な幾何学的相違により、いまだに困難である。 本稿では,3次元シーン形状を明示的にモデル化し,粗い位置認識ときめ細かなポーズ推定を統一する,幾何認識型UAV測位フレームワークを提案する。 提案手法は, 最先端のベースラインを著しく上回り, ロバストメータレベルのローカライゼーション精度を実現し, 複雑な都市環境における一般化を向上する。
  論文  参考訳（メタデータ） (2026-04-02T08:08:41Z)
• UrbanVGGT: Scalable Sidewalk Width Estimation from Street View Images [2.7069839963538254]
  UrbanVGGTは、単一のストリートビュー画像からメートル法歩道幅を推定するための測定パイプラインである。 ワシントンD.C.の地上試験で、UrbanVGGTは0.252mの平均絶対誤差を達成し、推定の95.5%は基準幅の0.50m以内である。
  論文  参考訳（メタデータ） (2026-03-23T19:52:18Z)
• Holi-Spatial: Evolving Video Streams into Holistic 3D Spatial Intelligence [78.1406635199656]
  Holi-Spatialは、人間の介入なしに生のビデオ入力から構築された、初めて完全に自動化され、大規模で、空間対応のマルチモーダルデータセットである。 Holi-Spatial-4Mは、12K最適化された3DGSシーン、1.3Mの2Dマスク、320Kの3Dバウンディングボックス、320Kのインスタンスキャプション、1.2Mの3Dグラウンドインスタンス、1.2Mの空間QAペアを含む、最初の大規模で高品質な3Dセマンティックデータセットである。
  論文  参考訳（メタデータ） (2026-03-08T14:49:20Z)
• GeoFormer: A Swin Transformer-Based Framework for Scene-Level Building Height and Footprint Estimation from Sentinel Imagery [0.44127910213853666]
  GeoFormerは、Sentinel-1/2画像とオープンDEMデータのみを使用して、100mグリッド上の高さとフットプリントを推定する。 54以上の多様な都市で評価され、GeoFormerは3.19mのBH RMSEと0.05のBF RMSEを達成し、最強のCNNベースラインよりも7.5%と15.3%改善している。
  論文  参考訳（メタデータ） (2026-02-10T16:04:53Z)
• Super-Resolved Canopy Height Mapping from Sentinel-2 Time Series Using LiDAR HD Reference Data across Metropolitan France [0.9351726364879229]
  本稿では,ツリーハイト回帰とスーパーリゾリューションのための新しいエンドツーエンドフレームワーク THREASURE-Net を紹介する。 このモデルは、LiDAR HDデータから得られた基準高さメトリクスを用いて、Sentinel-2時系列でトレーニングされる。 モデル変種を3種類評価し,2.5m,5m,10mで樹高予測を行った。
  論文  参考訳（メタデータ） (2025-12-12T12:49:16Z)
• Semi-supervised Learning from Street-View Images and OpenStreetMap for Automatic Building Height Estimation [59.6553058160943]
  本稿では,Mapillary SVIとOpenStreetMapのデータから建物の高さを自動的に推定する半教師付き学習(SSL)手法を提案する。 提案手法は, 平均絶対誤差(MAE)が約2.1mである建物の高さを推定する上で, 明らかな性能向上につながる。 予備結果は,低コストなVGIデータに基づく提案手法のスケールアップに向けた今後の取り組みを期待し,動機づけるものである。
  論文  参考訳（メタデータ） (2023-07-05T18:16:30Z)
• Vision Transformers, a new approach for high-resolution and large-scale mapping of canopy heights [50.52704854147297]
  分類(離散化)と連続損失関数を最適化した新しい視覚変換器(ViT)モデルを提案する。 このモデルは、従来使用されていた畳み込みベースのアプローチ(ConvNet)よりも、連続損失関数のみで最適化された精度が向上する。
  論文  参考訳（メタデータ） (2023-04-22T22:39:03Z)
• High-resolution canopy height map in the Landes forest (France) based on GEDI, Sentinel-1, and Sentinel-2 data with a deep learning approach [0.044381279572631216]
  マルチストリームリモートセンシングに基づく深層学習モデルを構築し,高分解能キャノピー高さマップを作成する。 モデル出力により、2020年時点での"Landes de Gascogne"森林全体の10m解像度の天蓋の高さマップを作成できる。 針葉樹林におけるすべての検証データセットについて,本モデルでは,同領域で利用可能な従来の天蓋高さモデルよりも優れた指標を示した。
  論文  参考訳（メタデータ） (2022-12-20T14:14:37Z)
• Ground Plane Matters: Picking Up Ground Plane Prior in Monocular 3D Object Detection [92.75961303269548]
  先行する地平面は、モノクル3次元物体検出(M3OD)における非常に情報的な幾何学的手がかりである 本稿では,両問題を一度に解決するGPENetを提案する。 我々のGPENetは、他の手法よりも優れ、最先端のパフォーマンスを実現し、提案手法の有効性と優位性を示すことができる。
  論文  参考訳（メタデータ） (2022-11-03T02:21:35Z)
• SensatUrban: Learning Semantics from Urban-Scale Photogrammetric Point Clouds [52.624157840253204]
  センサットウルバン(SensatUrban)は、イギリスの3都市から収集された7.6km2の30億点近くからなる、都市規模のUAV測光点クラウドデータセットである。 データセットの各ポイントは、粒度の細かいセマンティックアノテーションでラベル付けされ、その結果、既存の最大のフォトグラムポイントクラウドデータセットの3倍の大きさのデータセットが生成される。
  論文  参考訳（メタデータ） (2022-01-12T14:48:11Z)

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。