論文の概要: LOGOS: LiDAR-Only Gaussian Elevation Splatting for Unified Tiny Obstacle Segmentation

• arxiv url: http://arxiv.org/abs/2606.21527v1
• Date: Fri, 19 Jun 2026 15:25:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 12:53:33.812068
• Title: LOGOS: LiDAR-Only Gaussian Elevation Splatting for Unified Tiny Obstacle Segmentation
• Title（参考訳）: LOGOS:LiDAR専用ガウス標高計
• Authors: Nan Ming, Yeqiang Qian, Chunxiang Wang, Ming Yang,
• Abstract要約: LOGOSはLiDARのみの小型障害物分割システムである。 高精度な標高推定によって小さな障害物を識別する。 他の最先端の手法よりも大幅に優れています。
• 参考スコア（独自算出の注目度）: 18.81852220426583
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Robust obstacle segmentation is essential for the safety of intelligent robots, where LiDAR-based perception systems play a fundamental role in the robot-environment interaction. While extensive LiDAR-based approaches have demonstrated high performance on common obstacles in urban scenarios, their results on tiny obstacles such as curbs, gravel, and potholes remain unsatisfactory due to the significant similarity between tiny obstacles and inherent road undulations. Moreover, their segmentation accuracy even deteriorates sharply when the LiDAR scans suffer from degradation in challenging off-road scenes. To overcome these bottlenecks, we propose LOGOS, a LiDAR-only unified tiny obstacle segmentation system, which models the road surface as a continuous mixture of 2D Gaussian primitives and distinguishes tiny obstacles via high-presicion elevation estimation. Unlike existing Gaussian splatting methods that rely on iterative RGB training, LOGOS is a backpropagation-free LiDAR-only approach. It directly estimates Gaussian parameters via a freespace-aware initialization by incrementally pruning non-road primitives using smoothness constraints. Subsequently, pointwise signed distances are computed via a novel normal-aware elevation splatting function, ensuring robustness to both flat and sloped terrains. We evaluate LOGOS on a highly heterogeneous benchmark of point cloud frames collected from urban mobility scenarios and mining haulage off-road environments. These data are practically acquired using different LiDAR sensors and exhibit large variations in point density, terrain roughness, and obstacle types. Experiments on the road and off-road scenes demonstrate that LOGOS significantly outperforms other state-of-the-art methods, particularly in degraded point cloud regions and challenging off-road scenarios, while maintaining real-time efficiency.
• Abstract（参考訳）: 知的ロボットの安全にはロバストな障害物分割が不可欠であり、LiDARに基づく知覚システムはロボットと環境の相互作用において基本的な役割を果たす。 広域LiDARベースのアプローチは、都市シナリオにおける共通の障害物に対して高い性能を示す一方で、小さな障害物と固有の道路の起伏との間に大きな類似性があるため、縁石、砂利、穴などの小さな障害物に対する結果は満足できないままである。 さらに、LiDARスキャンがオフロードシーンに挑戦する際の劣化に苦しむ場合、セグメンテーション精度は急激に低下する。 これらのボトルネックを克服するために,道路面を2次元ガウス原始体の連続混合としてモデル化し,高精度な標高推定により小さな障害物を識別するLiDARのみの小型障害物分割システムLOGOSを提案する。 反復的なRGBトレーニングに依存する既存のガウススプラッティング法とは異なり、LOGOSはバックプロパゲーションフリーのLiDARのみのアプローチである。 滑らか性制約を用いて非道路プリミティブを漸進的に刈り取ることにより、ガウスパラメータを自由空間認識初期化を通じて直接推定する。 その後、平地と傾斜地の両方にロバスト性を確保するために、新しいノーマル・アウェア・ハイト・スプレイティング機能によって、ポイントワイズ符号付き距離が計算される。 都会の移動シナリオと鉱業のオフロード環境から収集した点雲フレームの高度に異質なベンチマークでLOGOSを評価した。 これらのデータは、様々なLiDARセンサーを用いて実質的に取得され、点密度、地形の粗さ、障害物タイプに大きなバリエーションを示す。 ロードとオフロードのシーンの実験では、LOGOSは他の最先端の手法、特に劣化したポイントクラウドリージョンやオフロードシナリオにおいて、リアルタイムの効率性を維持しながら、大幅にパフォーマンスを向上することを示した。

関連論文リスト

• Mobility Anomaly Generation using LLM-Driven Behavior with Kinematic Constraints [1.330528227599978]
  本稿では,現実的な軌跡異常を大規模に合成するエンド・ツー・エンドな生成フレームワークを提案する。 我々のアーキテクチャは、純粋に合成されたモビリティデータと複雑な現実世界の物理的な制約の間のギャップを埋める。
  論文  参考訳（メタデータ） (2026-06-09T02:09:02Z)
• Global-Local Attention Decomposition for Terrain Encoding in Humanoid Perceptive Locomotion [7.888727249239356]
  人型移動における地形符号化のためのグローバルローカルアテンション分解(GLAD)を提案する。 実験により、GLADは難解な隙間、石段、階段上での信頼性の高い移動を可能にすることが示された。 実世界におけるLiDARを用いたUnitree G1ヒューマノイドロボットの展開において,提案手法はロバストなゼロショット・シム・トゥ・リアルトランスファーを実現する。
  論文  参考訳（メタデータ） (2026-05-30T09:23:07Z)
• Clipping Bottleneck: Stabilizing RLVR via Stochastic Recovery of Near-Boundary Signals [83.0127582612634]
  Near-boundary Rescue (NSR) は最小限のプラグ・アンド・プレイの修正であり、失った信号を回復するために、アウト・オブ・バウンドトークンを保持する。 NSRはトレーニングの安定性を大幅に改善し、DAPOやGSPOといった強力なベースライン上で一貫したゲインを提供する。
  論文  参考訳（メタデータ） (2026-05-21T16:45:31Z)
• Vision-Guided MPPI for Agile Drone Racing: Navigating Arbitrary Gate Poses via Neural Signed Distance Fields [8.66703842496129]
  ドローンレースには、極端なアジリティの下での認識、計画、制御の緊密な結合が必要です。 近年のアプローチは、事前計算された空間基準軌道や明示的な6-DoFゲートポーズ推定に依存している。 そこで我々は,任意の配置と配向ゲートを介して,参照不要のアジャイル飛行を可能にするビジョンガイド付き最適制御フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-07T13:18:07Z)
• Mastering Diverse, Unknown, and Cluttered Tracks for Robust Vision-Based Drone Racing [22.63301233637327]
  ドローンレースの目標を固定した障害物のないトラックの強化学習手法のほとんどは、未知の乱雑な環境に一般化を残したままであった。 この課題は、レース速度と衝突回避のバランスをとる必要があること、限られた実現可能な空間が、訓練中に地元のオプティマに閉じ込められた政策探索を引き起こすことに起因している。 高速飛行のための政策探索を継続する初期ソフトコリデーショントレーニングフェーズと、堅牢な障害物回避を強制するハードコリデーション改善フェーズの2段階学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-10T12:02:48Z)
• Vertical Planetary Landing on Sloped Terrain Using Optical Flow Divergence Estimates [6.3359275271421565]
  ロータークラフトやランダーのような小型軽量の宇宙船は、限られた処理能力とペイロード容量を有する。 ミツバチのような飛べる昆虫は、神経と感覚の資源が最小限に抑えられ、目覚ましい着陸を遂げる。 本稿では,2つの異なる局所流分量の推定値を利用して推力と姿勢の制御を行う非線形制御手法を提案する。
  論文  参考訳（メタデータ） (2025-12-04T01:46:55Z)
• LiDAR-GS:Real-time LiDAR Re-Simulation using Gaussian Splatting [53.58528891081709]
  都市景観におけるLiDARスキャンをリアルタイムかつ高忠実に再現するLiDAR-GSを提案する。 この手法は,公開可能な大規模シーンデータセットのレンダリングフレームレートと品質の両面において,最先端の結果を達成する。
  論文  参考訳（メタデータ） (2024-10-07T15:07:56Z)
• Efficient Real-time Smoke Filtration with 3D LiDAR for Search and Rescue with Autonomous Heterogeneous Robotic Systems [56.838297900091426]
  スモークとダストは、搭載された知覚システムに依存するため、あらゆる移動ロボットプラットフォームの性能に影響を与える。 本稿では,重みと空間情報に基づく新しいモジュラー計算フィルタを提案する。
  論文  参考訳（メタデータ） (2023-08-14T16:48:57Z)
• Reconfigurable Voxels: A New Representation for LiDAR-Based Point Clouds [76.52448276587707]
  本稿では,3次元点群から表現を構成する新しい手法であるReconfigurable Voxelsを提案する。 具体的には,各地区を一定数のボクセルで適応的にカバーするランダムウォーク方式を考案する。 この手法は,特に疎水領域において,ボクセル特性の安定性を効果的に向上することがわかった。
  論文  参考訳（メタデータ） (2020-04-06T15:07:16Z)

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。