論文の概要: Teaching Robots to Say 'I Don't Know' : SENTINEL for Uncertainty-Aware SLAM
- arxiv url: http://arxiv.org/abs/2606.04853v1
- Date: Wed, 03 Jun 2026 13:22:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-04 20:44:18.778607
- Title: Teaching Robots to Say 'I Don't Know' : SENTINEL for Uncertainty-Aware SLAM
- Title（参考訳）: ロボットに「知らない」と言うことを教える : 不確実性を考慮したSLAMのためのSENTINEL
- Authors: Abhishek S, Badrikanath Praharaj, Sreeram MV,
- Abstract要約: 低コストの2D LiDARは、ハイエンドセンサーが測定障害の診断に使用する強度チャネルを欠いている。
本稿では,SENTINEL, フリーラベル, フリー信頼度推定フレームワークを提案する。
我々は、RPLidar A2M12とIntel RealSense D435iを搭載したGEFIER R1 4輪スキッドステアロボットでこれを評価した。
- 参考スコア（独自算出の注目度）: 0.8602553195689513
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Low-cost 2D LiDARs lack the intensity channel that higher-end sensors use to diagnose measurement failures, yet they are widely used on educational and budget robotics platforms. We present SENTINEL, a training - free, label - free reliability estimation framework that gives range - only LiDAR an effective diagnostic signal. SENTINEL combines geometry-based scan statistics with cross - modal depth consistency between LiDAR and an RGB - D camera to compute a per - scan reliability score between 0 and 1. When the score falls below a threshold, corrupted scans are rejected and the robot falls back to calibrated wheel odometry, preventing silent SLAM corruption. We evaluate SENTINEL on a GEFIER R1 four - wheel skid-steer robot equipped with an RPLidar A2M12 and an Intel RealSense D435i in a 185 cm by 245 cm arena containing controlled transparent and reflective failure elements on a central obstacle. Spatial reliability maps across five surface conditions, including glass, mirror, shiny paper, and a mixed mirror and shiny-paper condition, show clear separation between clean and failure cases, allowing affected regions to be identified as reject or noise. Because these failure modes are absent in simulation, validation is performed entirely on real hardware.
- Abstract（参考訳）: 低コストの2D LiDARは、ハイエンドセンサーが測定障害の診断に使用する強度チャネルを欠いているが、教育用と予算用のロボティクスプラットフォームで広く使われている。
我々は、LiDARのみに効果的な診断信号を与える訓練-自由ラベル-自由信頼度推定フレームワークであるSENTINELを提案する。
SENTINELは、幾何学に基づくスキャン統計と、LiDARとRGB-Dカメラ間のクロス-モーダルデプスの整合性を組み合わせて、スキャン毎の信頼性スコアを0から1の間で計算する。
スコアがしきい値を下回ると、破損したスキャンが拒否され、ロボットはキャリブレーションされたホイールオドメトリーに後退し、サイレントSLAMの破損を防ぐ。
我々は, RPLidar A2M12とIntel RealSense D435iを備えたGEFIER R1 4輪スキッドステアロボットを185cm×245cmアリーナで評価した。
ガラス,鏡,光沢のある紙,混合ミラーと光沢のある紙の状態を含む5つの表面条件の空間的信頼性マップは,クリーンケースと障害ケースの明確な分離を示し,影響領域を拒絶やノイズとして識別することができる。
これらの障害モードはシミュレーションに欠けているため、検証は完全に実際のハードウェア上で行われる。
関連論文リスト
- Safety-Critical Camera Reliability Monitoring for ADAS via Degradation-Aware Uncertainty Pattern Analysis [0.0]
本稿では、下流の故障が観測される前に、劣化に伴う不確実性パターンから認識リスクを推定するカメラ信頼性監視フレームワークを提案する。
軽量マルチタスクネットワークは、単一のRGB画像から劣化タイプ、重大度、空間不確実性マップを予測する。
KITTI由来の劣化実験では、GSHIは重度とともに単調に減少し、健康推定MAEは0.064であり、YOLOv8検出失敗の前に0.47$pm$ 0.25重度単位の早期警戒時間を提供する。
論文 参考訳（メタデータ） (2026-05-06T20:55:08Z) - DSERT-RoLL: Robust Multi-Modal Perception for Diverse Driving Conditions with Stereo Event-RGB-Thermal Cameras, 4D Radar, and Dual-LiDAR [66.23438033222963]
DSERT-RoLLは、ステレオイベント、RGB、サーマルカメラを4DレーダーとデュアルLiDARと組み合わせた駆動データセットである。
データセットは正確な2Dおよび3Dバウンディングボックスを提供し、トラックIDとエゴ車両のオドメトリーを提供する。
論文 参考訳（メタデータ） (2026-04-04T11:03:16Z) - A Comparative Study of 3D Person Detection: Sensor Modalities and Robustness in Diverse Indoor and Outdoor Environments [5.89179309980335]
本研究では,カメラオンリー,LiDARオンリー,カメラ-LiDAR融合を用いた3次元人物検出の系統的評価を行う。
BEVDepth(カメラ)、PointPillars(LiDAR)、DAL(カメラ-LiDAR融合)の3つの代表モデルを比較した。
その結果,核融合によるアプローチは,特に挑戦的なシナリオにおいて,単一モダリティモデルよりも一貫して優れていることがわかった。
論文 参考訳（メタデータ） (2026-02-05T10:53:35Z) - ALICE-LRI: A General Method for Lossless Range Image Generation for Spinning LiDAR Sensors without Calibration Metadata [0.0]
3D LiDARセンサーは、リモートセンシングアプリケーションにおける自律ナビゲーション、環境モニタリング、高精度マッピングに不可欠である。
これらのセンサによって生成された巨大な点雲を効率的に処理するために、LiDARデータは角の位置と距離でポイントを整理する2Dレンジ画像に投影されることが多い。
製造者メタデータや校正ファイルを必要とせず、LiDAR点雲を回転させることにより、ロスレスレンジ画像生成を実現する、最初の一般センサ非依存方式であるALICE-LRIを提案する。
論文 参考訳（メタデータ） (2025-10-23T16:22:58Z) - UniCalib: Targetless LiDAR-Camera Calibration via Probabilistic Flow on Unified Depth Representations [30.56092814783138]
DF-Calibは, キャリブレーションをモード内深さ流量推定問題として再構成するLiDARカメラキャリブレーション法である。
DF-Calibは、カメラ画像から深度マップを推定し、疎LiDAR投影深度マップを完成させる。
本稿では,有効画素を優先する信頼性マップを導入し,深度フロー推定の精度を高めるために,知覚的に重み付けされたスパースフロー損失を提案する。
論文 参考訳（メタデータ） (2025-04-02T07:09:44Z) - Uncertainty Estimation for 3D Object Detection via Evidential Learning [63.61283174146648]
本稿では,3次元検出器における鳥の視線表示における明らかな学習損失を利用して,3次元物体検出の不確かさを定量化するためのフレームワークを提案する。
本研究では,これらの不確実性評価の有効性と重要性を,分布外シーンの特定,局所化の不十分な物体の発見,および(偽陰性)検出の欠如について示す。
論文 参考訳（メタデータ） (2024-10-31T13:13:32Z) - LIF-Seg: LiDAR and Camera Image Fusion for 3D LiDAR Semantic
Segmentation [78.74202673902303]
本稿では,LiDAR分割のための粗大なLiDARとカメラフュージョンベースネットワーク(LIF-Seg)を提案する。
提案手法は,画像の文脈情報を完全に活用し,単純だが効果的な早期融合戦略を導入する。
これら2つのコンポーネントの協力により、効果的なカメラ-LiDAR融合が成功する。
論文 参考訳（メタデータ） (2021-08-17T08:53:11Z) - Accurate Alignment Inspection System for Low-resolution Automotive and
Mobility LiDAR [125.41260574344933]
車両やロボットなどの移動システムにおいて,センサ装着後のLiDARアライメント誤差を正確に推定する検査システムを提案する。
提案手法は, 固定位置における1つのターゲットボードのみを用いて, 水平方向(回転, 傾き, ヨー)とLiDARアタッチメントの水平位置を, 水平方向の精度で推定する。
論文 参考訳（メタデータ） (2020-08-24T17:47:59Z) - LIBRE: The Multiple 3D LiDAR Dataset [54.25307983677663]
We present LIBRE: LiDAR Benchmarking and Reference, a first-of-in-kind dataset with 10 different LiDAR sensor。
LIBREは、現在利用可能なLiDARを公平に比較するための手段を提供するために、研究コミュニティに貢献する。
また、既存の自動運転車やロボティクス関連のソフトウェアの改善も促進する。
論文 参考訳（メタデータ） (2020-03-13T06:17:39Z) - Drone-based RGB-Infrared Cross-Modality Vehicle Detection via
Uncertainty-Aware Learning [59.19469551774703]
ドローンによる車両検出は、空中画像中の車両の位置とカテゴリーを見つけることを目的としている。
我々はDroneVehicleと呼ばれる大規模ドローンベースのRGB赤外線車両検出データセットを構築した。
私たちのDroneVehicleは28,439RGBの赤外線画像を収集し、都市道路、住宅地、駐車場、その他のシナリオを昼から夜までカバーしています。
論文 参考訳（メタデータ） (2020-03-05T05:29:44Z)
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。