論文の概要: V2I Work Zone Geometry Reconstruction with Pose-Conditioned UWB Range Denoising

• arxiv url: http://arxiv.org/abs/2606.00119v1
• Date: Thu, 28 May 2026 01:24:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:27.976318
• Title: V2I Work Zone Geometry Reconstruction with Pose-Conditioned UWB Range Denoising
• Title（参考訳）: ポーズコンディション付きUWBレンジデノイングによるV2Iワークゾーン形状復元
• Authors: Jiaxi Liu, Hangyu Li, Yang Cheng, Rui Gana, Junwei You, Weizhe Tang, Peng Zhang, Steven T. Parker, Xiaopeng Li, Bin Ran,
• Abstract要約: 本研究では,マルチアンカーUWBレンジに対するポーズ条件付き変分変分予測デノイザを提案する。 2段階のトレーニング戦略は、まず観測範囲から予測を学習し、次にNLOSの重み付けによるディナイザを微調整する。 提案手法は,NLOS重み付けの課題において,範囲精度,コーンの局在化,ワークゾーンの幾何再構成を著しく向上することを示す。
• 参考スコア（独自算出の注目度）: 21.96504043018849
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reliable work zone mapping is important for connected and autonomous vehicles (CAVs) to navigate safely and smoothly through work zone areas. Cone-mounted ultra-wideband (UWB) roadside units (RSU) offer a cost-effective way for work zone layout inference, as roadside anchors and vehicle tags provide direct vehicle-to-infrastructure (V2I) range constraints for work zone geometry reconstruction. However, UWB range estimation is degraded by bursty outliers, non-line-of-sight (NLOS) errors, arbitrary anchor-ordering issues, and vehicle pose uncertainties in practical field deployments. To address these challenges, this study proposes a pose-conditioned, permutation-equivariant predictive denoiser for multi-anchor UWB ranging. The model employs shared anchor-wise temporal prediction to capture range dynamics, symmetric set aggregation to handle unordered and missing anchors, and pose-conditioned residual decoding to incorporate vehicle motion as a geometric prior. A two-stage training strategy first learns prediction from observed ranges, and then fine-tunes the denoiser with NLOS-weighted supervision. The method is evaluated on rare real-world V2I UWB field data collected with a CAV, as well as on controlled large-scale simulation benchmarks for ablative insights. Results show that the proposed method substantially improves range accuracy, cone localization, and work zone geometry reconstruction in challenging NLOS-dominated regimes, remains robust to anchor re-indexing and moderate anchor dropout, and reduces measurement-weighted field MSE by 66.9% relative to the raw input.
• Abstract（参考訳）: 信頼性の高いワークゾーンマッピングは、コネクテッドおよび自律走行車(CAV)がワークゾーンエリアを安全にスムースにナビゲートするために重要である。 コーンマウント超広帯域(UWB)ロードサイドユニット(RSU)は作業ゾーンのレイアウト推定に費用効率の良い方法を提供し、道路サイドアンカーと車両タグは作業ゾーンの形状再構成のための直接車内構造(V2I)の範囲制約を提供する。 しかし、UWBレンジ推定は、バーストなアウトレイラ、非視線誤差(NLOS)、任意のアンカー順序問題、実用的なフィールド展開における不確実性によって劣化する。 これらの課題に対処するために,マルチアンカーUWBレンジに対するポーズ条件付き変分変分予測デノイザを提案する。 モデルでは、レンジダイナミックスを捉えるために、アンカーの時間的共有予測、アンカーの非順序や欠如を扱うために対称的なセットアグリゲーション、幾何学的な先行として車両の動きを組み込むためにポーズ条件付き残留復号を用いる。 2段階のトレーニング戦略は、まず観測範囲から予測を学習し、次にNLOSの重み付けによるディナイザを微調整する。 CAVで収集した希少な実世界のV2I UWBフィールドデータと,可視的洞察のための大規模シミュレーションベンチマークを用いて評価を行った。 提案手法は,NLOSが支配するレシエーションにおいて,レンジ精度,コーンの局在化,ワークゾーンの幾何再構成を著しく改善し,再インデックス化や中程度のアンカードロップアウトに頑健であり,原入力に対して測定重み付きMSEを66.9%削減することを示した。

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)
• Distributed and Consistent Multi-Robot Visual-Inertial-Ranging Odometry on Lie Groups [1.2247984232203188]
  本稿では、複数のロボット間でVIOとUWBの測定を密に融合させる分散視覚慣性測度(DC-VIRO)フレームワークを提案する。 リー群上の右不変誤差定式化を利用して、提案手法は標準VIOの可観測性を保存する。
  論文  参考訳（メタデータ） (2026-02-22T13:07:50Z)
• OmniVL-Guard: Towards Unified Vision-Language Forgery Detection and Grounding via Balanced RL [63.388513841293616]
  既存の偽造検出手法は、現実世界の誤報に多いインターリーブされたテキスト、画像、ビデオを扱うのに失敗する。 このギャップを埋めるため,本論文では,オムニバス・ビジョン言語による偽造検出と接地のための統一フレームワークの開発を目標としている。 我々は、OmniVL-Guardという、オムニバス視覚言語による偽造検出と接地のためのバランスの取れた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） (2026-02-11T09:41:36Z)
• Boundary-to-Region Supervision for Offline Safe Reinforcement Learning [56.150983204962735]
  バウンダリ・トゥ・レギオン(Bundary-to-Region, B2R)は、コスト信号による非対称な条件付けを可能にするフレームワークである。 B2Rは、CTGを固定された安全予算の下で境界制約として再定義し、すべての実行可能な軌道のコスト分布を統一する。 実験の結果,B2Rは38項目中35項目の安全制約を満たすことがわかった。
  論文  参考訳（メタデータ） (2025-09-30T03:38:20Z)
• Segmenting Objectiveness and Task-awareness Unknown Region for Autonomous Driving [46.70405993442064]
  本稿では,自律走行シーンのためのセグメンティング・オブジェクトネスとタスク・アウェアネス(SOTA)という新しいフレームワークを提案する。 SOTAは、セマンティック・フュージョン・ブロック(SFB)を通じて目的のセグメンテーションを強化し、道路ナビゲーションタスクに関係のない異常をフィルタリングする。
  論文  参考訳（メタデータ） (2025-04-27T10:08:54Z)
• REG: Refined Generalized Focal Loss for Road Asset Detection on Thai Highways Using Vision-Based Detection and Segmentation Models [0.0]
  本稿では,タイの高速道路における重要道路資産の検出・分断のための新しい枠組みを提案する。 提案手法は,最先端の視覚に基づく検出・セグメンテーションモデルに統合され,クラス不均衡と,未表現の道路要素の局所化の課題に効果的に対処する。
  論文  参考訳（メタデータ） (2024-09-15T22:04:33Z)
• OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
  学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。 OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。 最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
  論文  参考訳（メタデータ） (2024-09-14T07:44:22Z)

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。