論文の概要: SGM-SLAM: Scene Graph Matching for Data-Efficient Distributed SLAM

• arxiv url: http://arxiv.org/abs/2606.16881v1
• Date: Mon, 15 Jun 2026 15:53:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:34.741209
• Title: SGM-SLAM: Scene Graph Matching for Data-Efficient Distributed SLAM
• Title（参考訳）: SGM-SLAM:データ効率の良い分散SLAMのためのシーングラフマッチング
• Authors: Yewei Huang, Tixiao Shan, Abhinav Rajvanshi, Niluthpol Chowdhury Mithun, Yaxuan Li, Brendan Englot, Han-Pang Chiu,
• Abstract要約: 我々のフレームワークは、シーングラフマッチングを使用して、ロボット間測定の制約を識別する。 機能レベルのマッチングに依存する従来のアプローチとは異なり、私たちのフレームワークはオブジェクトラベルとセントロイドのみを使用してシーングラフマッチングを行う最初のフレームワークです。 脚付きロボットが収集したシミュレーションと実世界のデータセットを用いて,本手法の有効性と効率を実証する。
• 参考スコア（独自算出の注目度）: 6.282206745727115
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce a data-efficient distributed Simultaneous Localization and Mapping (SLAM) framework designed for a team of robots equipped with LiDAR, cameras, and inertial sensors. Our framework uses scene graph matching to identify inter-robot measurement constraints. Unlike prior approaches that rely on feature-level matching, our framework is the first to perform scene graph matching using only object labels and centroids. Our approach constructs a scene graph by using fused RGB-LiDAR point clouds to generate both a semantically segmented point cloud layer, and a layer of discrete bounded objects, to accompany estimated robot trajectories. Scene graph matching is performed collaboratively through exchanging and matching object data with neighboring robots. To maximize communication efficiency, we utilize a multi-step data exchange and optimization process. We demonstrate the effectiveness and efficiency of our approach using both simulation and real-world datasets collected by legged robots in indoor and outdoor environments.
• Abstract（参考訳）: 我々は、LiDAR、カメラ、慣性センサーを備えたロボットチーム向けに設計された、データ効率の高い分散局在マッピング(SLAM)フレームワークを提案する。 我々のフレームワークは、シーングラフマッチングを使用して、ロボット間測定の制約を識別する。 機能レベルのマッチングに依存する従来のアプローチとは異なり、私たちのフレームワークはオブジェクトラベルとセントロイドのみを使用してシーングラフマッチングを行う最初のフレームワークです。 提案手法は,RGB-LiDAR点雲を融合してシーングラフを構築し,意味的に区切られた点雲層と離散的境界オブジェクト層の両方を生成し,推定されたロボット軌道に付随する。 隣接するロボットとオブジェクトデータを交換し、マッチングすることで、シーングラフマッチングを協調的に行う。 通信効率を最大化するために,多段階データ交換および最適化プロセスを利用する。 室内環境と屋外環境における脚ロボットが収集したシミュレーションと実世界のデータセットを用いて,本手法の有効性と効率を実証した。

関連論文リスト

• PROSE: Training-Free Egocentric Scene Registration with Vision-Language Models [48.66414784633783]
  PROSE(Prompted Scene rEgistration)は、各RGBシーケンスをオブジェクトレベルの3Dシーングラフにリフトする。 PROSEは学習したパラメータを追加せず、深度センサーやトレーニング、注釈付きグラフを必要としない。 エゴセントリックなAria Digital TwinとAria Everyday Activityベンチマークでは、幾何学的および学習されたシーングラフのベースラインを、登録精度で上回っている。
  論文  参考訳（メタデータ） (2026-06-15T11:11:14Z)
• Learning-Based Hierarchical Scene Graph Matching for Robot Localization Leveraging Prior Maps [0.17398560678845076]
  シーングラフは、セマンティックエンティティとその関係の階層として環境の構造をエンコードする。 これら2つの相補的表現を一致させることで、既知の構造的先行に対してロボット観測を接地することでSLAMのドリフト補正が可能になる。 ここでは、階層内および階層間関係を符号化する意味的動機付けされたエッジタイプを用いて、両方のグラフを拡大する、学習されたエンドツーエンドの微分可能なパイプラインを示す。
  論文  参考訳（メタデータ） (2026-04-30T13:05:57Z)
• Matching Distance and Geometric Distribution Aided Learning Multiview Point Cloud Registration [15.594026254653276]
  マルチビューポイントクラウド登録は、ロボット工学、自動化、コンピュータビジョン分野において重要な役割を果たす。 ポーズグラフ構築の従来の方法は、しばしば完全に連結されたグラフを刈り取ったり、局所記述子から集約された大域的特徴を用いてスパースグラフを構築したりしていた。 我々は、点雲対間のマッチング距離から情報を抽出するネットワークモデルを設計する。 動作同期のために,データ駆動方式で絶対的なポーズを計算するニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2025-05-06T16:54:07Z)
• Semantic Segmentation and Scene Reconstruction of RGB-D Image Frames: An End-to-End Modular Pipeline for Robotic Applications [0.7951977175758216]
  従来のRGB-D処理パイプラインは主に幾何学的再構成に焦点を当てている。 セマンティックセグメンテーション、ヒューマントラッキング、ポイントクラウド融合、シーン再構築を統合した、新しいエンドツーエンドのモジュールパイプラインを導入する。 我々は、ベンチマークデータセットと現実世界のKinect RGB-Dデータにアプローチを検証し、効率、精度、ユーザビリティを改善した。
  論文  参考訳（メタデータ） (2024-10-23T16:01:31Z)
• Local-Global Information Interaction Debiasing for Dynamic Scene Graph Generation [51.92419880088668]
  マルチタスク学習に基づく新しいDynSGGモデルDynSGG-MTLを提案する。 長期的人間の行動は、大域的な制約に適合する複数のシーングラフを生成するためにモデルを監督し、尾の述語を学べないモデルを避ける。
  論文  参考訳（メタデータ） (2023-08-10T01:24:25Z)
• S-Graphs+: Real-time Localization and Mapping leveraging Hierarchical Representations [9.13466172688693]
  S-Graphs+は,(1)ロボットのポーズを推定したポーズ層,(2)壁面を表す壁層,(3)壁面の集合を含む部屋層,(4)部屋を所定の階内に集める床層を含む,新しい4層係数グラフである。 上記のグラフは、ロボットのポーズとそのマップの堅牢で正確な推定値を得るために、リアルタイムで最適化され、同時に環境の高レベル情報を構築し、活用する。
  論文  参考訳（メタデータ） (2022-12-22T15:06:21Z)
• Representing Videos as Discriminative Sub-graphs for Action Recognition [165.54738402505194]
  ビデオ中の各アクションの識別パターンを表現およびエンコードするためのサブグラフの新たな設計を提案する。 時空グラフとクラスタを各スケールでコンパクトなサブグラフに新たに構築するMUlti-scale Sub-Earn Ling (MUSLE) フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-01-11T16:15:25Z)
• HighlightMe: Detecting Highlights from Human-Centric Videos [52.84233165201391]
  我々は,人間中心のビデオからハイライト可能な抜粋を検出するために,ドメインとユーザに依存しないアプローチを提案する。 本研究では,時空間グラフ畳み込みを用いたオートエンコーダネットワークを用いて,人間の活動やインタラクションを検出する。 我々は,最先端の手法に比べて,人手によるハイライトのマッチングの平均精度が4～12%向上したことを観察した。
  論文  参考訳（メタデータ） (2021-10-05T01:18:15Z)
• A Graph-based Interactive Reasoning for Human-Object Interaction Detection [71.50535113279551]
  本稿では,HOIを推論するインタラクティブグラフ(Interactive Graph, in-Graph)という,グラフに基づくインタラクティブ推論モデルを提案する。 In-GraphNet と呼ばれる HOI を検出するための新しいフレームワークを構築した。 私たちのフレームワークはエンドツーエンドのトレーニングが可能で、人間のポーズのような高価なアノテーションはありません。
  論文  参考訳（メタデータ） (2020-07-14T09:29:03Z)

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。