論文の概要: Large-Scale Tunnel Air-Ground Collaboration With FLISP: Fast LiDAR-IMU Synchronized Path Planner
- arxiv url: http://arxiv.org/abs/2606.25393v2
- Date: Thu, 25 Jun 2026 10:13:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-26 15:44:16.375825
- Title: Large-Scale Tunnel Air-Ground Collaboration With FLISP: Fast LiDAR-IMU Synchronized Path Planner
- Title（参考訳）: 高速LiDAR-IMU同期経路プランナ
- Abstract要約: FLISPは、協調UGV-UAV検査のためのマップレス計画フレームワークである。
FLISPは、UGV搭載のLiDAR-IMUスイートが両方のプラットフォームで同期パス生成を駆動する統一アーキテクチャを備えている。
FLISPは7ミリ秒のレイテンシで100%の成功率を実現し、グリッドベースのメソッドよりも7倍のスピードアップを実現している。
- 参考スコア（独自算出の注目度）: 4.985375052445739
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Hydropower tunnel inspection is critical for infrastructure integrity yet remains inefficient and hazardous using manual methods. We propose FLISP (Fast LiDAR-IMU Synchronized Path Planner), a mapless planning framework for cooperative UGV-UAV inspection. Unlike traditional map-based paradigms, FLISP features three core contributions: (1) a unified architecture where a single UGV-mounted LiDAR-IMU suite drives synchronized path generation for both platforms; (2) platform-specific solvers utilizing an enhanced Firefly Algorithm for UGV obstacle avoidance and a dynamic iterative optimizer for UAV flight; and (3) a hierarchical refinement strategy ensuring kinematic feasibility without state estimation drift. Benchmarks in a 1.2 km operational tunnel demonstrate that FLISP circumvents structural bottlenecks of map-based methods, eliminating map rasterization overhead (Fast-LIO2 + A*) and sampling instability (LIO-SAM + RRT*). FLISP achieves a 100% success rate with 7 ms latency, representing a 7-fold speedup over grid-based and a three-order-of-magnitude improvement over sampling-based baselines. Validated in operational hydropower tunnels, this approach offers a scalable solution for robotic inspection in feature-degraded linear infrastructure. A demonstration video is available at https://youtu.be/Y_ezs1PfLJ4, and the code at https://github.com/ArchibaldGuo/FLISP.git.
- Abstract（参考訳）: 水力トンネル検査は、インフラの整合性にとって重要であるが、手動による非効率で危険である。
協調UGV-UAV検査のためのマップレス計画フレームワークFLISP(Fast LiDAR-IMU Synchronized Path Planner)を提案する。
1つのUGV搭載LiDAR-IMUスイートが両方のプラットフォームで同期パス生成を駆動する統一アーキテクチャ、2UGV障害物回避のための拡張FireflyアルゴリズムとUAV飛行のための動的反復オプティマイザを利用するプラットフォーム固有の解決器、3状態推定ドリフトなしでのキネマティック実現性を保証する階層的改善戦略である。
1.2kmのトンネルでのベンチマークでは、FLISPはマップベースの手法の構造的ボトルネックを回避し、マップラスタライズオーバーヘッド(Fast-LIO2 + A*)を排除し、サンプリング不安定(LIO-SAM + RRT*)を回避している。
FLISPは、7ミリ秒のレイテンシで100%の成功率を実現し、グリッドベースの7倍のスピードアップと、サンプリングベースのベースラインよりも3桁のマグニチュードの改善を実現している。
動作中の水力トンネルで検証されるこのアプローチは、特徴劣化した線形インフラストラクチャにおいて、ロボット検査のためのスケーラブルなソリューションを提供する。
デモビデオはhttps://youtu.be/Y_ezs1PfLJ4で、コードはhttps://github.com/ArchibaldGuo/FLISP.gitで公開されている。
関連論文リスト
- StructRL: Structured Action-Space Exploration for Flow-Based VLAs [81.43458629514139]
フローベースのビジョン・ランゲージ・アクションモデルは現在、連続的なロボット操作に広く使われている。
オンライン強化学習は、それらを新しいタスクに適応するための重要なテクニックとして浮上している。
動作群間で時間的にスムーズかつスケールの異なる,構造的雑音に対する効果的なロボット探索の必要性を示す。
論文 参考訳（メタデータ） (2026-08-15T09:31:29Z) - EEVEE: Towards Test-time Prompt Learning in the Real World for Self-Improving Agents [64.96332056338923]
EEVEEは、LLMエージェントのための最初のマルチデータセットテスト時プロンプト学習フレームワークである。
実世界のタスクストリーム下でテスト時のプロンプト学習を可能にする。
EEVEEはQwen3-4B-InstructとDeepSeek-V3.2で平均マルチベンチマークスコアを10.38点、24.32点改善している。
論文 参考訳（メタデータ） (2026-06-09T17:57:16Z) - Ufil: A Unified Framework for Infrastructure-based Localization [0.2271910267215261]
インフラベースのローカライゼーションは、道路ユーザの状態推定を提供することで、道路安全と交通管理を強化する。
標準化されたオブジェクトモデルと再利用可能なマルチオブジェクト追跡コンポーネントを備えたインフラストラクチャベースのローカライゼーションのための統一フレームワークであるUfilを紹介する。
Ufilは、予測、検出、関連付け、状態更新、トラック管理のためのインターフェースとリファレンス実装を提供する。
論文 参考訳（メタデータ） (2026-04-23T09:29:53Z) - Real-Time Structural Detection for Indoor Navigation from 3D LiDAR Using Bird's-Eye-View Images [0.0]
既存の3D手法は計算が禁じられているが、従来の2D幾何学的手法は頑丈さを欠いている。
本稿では,3次元LiDARデータを2D BirdのEye-View画像に投影し,マッピングとナビゲーションに関連する構造要素の効率的な検出を可能にするリアルタイムフレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-20T10:15:49Z) - Relatron: Automating Relational Machine Learning over Relational Databases [50.94254514286021]
本稿では, RDL と DFS を共有設計空間に統合し, 多様な RDB タスクを対象としたアーキテクチャ中心の検索を行う。
RDLはDFSを一貫して上回り、高いタスク依存性を持つ。(2)タスク全体において単一のアーキテクチャが支配的であり、タスク認識モデル選択の必要性を強調し、精度は選択アーキテクチャの信頼性の低いガイドである。
論文 参考訳（メタデータ） (2026-02-26T02:45:22Z) - AEG: A Baremetal Framework for AI Acceleration via Direct Hardware Access in Heterogeneous Accelerators [3.3455113324921606]
本稿では、異種加速器上での高性能機械学習(ML)推論を可能にするために、ハードウェアに依存しない統一型ベアメタルランタイムアーキテクチャを提案する。
TinyMLのような既存のエッジデプロイフレームワークは、しばしば不要な複雑さとパフォーマンスボトルネックをもたらすリアルタイムオペレーティングシステム(RTOS)に依存している。
論文 参考訳（メタデータ） (2026-02-15T22:12:45Z) - OpenNavMap: Structure-Free Topometric Mapping via Large-Scale Collaborative Localization [12.686154192361913]
OpenNavMapは、オンデマンドの再構築に3D幾何学的基礎モデルを活用する軽量で構造のないトポロジカルシステムである。
提案手法は,動的プログラミングに基づくシーケンスマッチング,幾何検証,信頼性校正最適化を,頑健で粗いサブマップアライメントに統一する。
Map-Freeベンチマークの評価は、平均翻訳誤差0.62mを達成し、構造移動ベースラインと回帰ベースラインよりも優れた精度を示す。
論文 参考訳（メタデータ） (2026-01-18T07:24:46Z) - RollArt: Scaling Agentic RL Training via Disaggregated Infrastructure [49.88201789074532]
エージェント強化学習(RL)は、大規模言語モデル(LLM)が自律的な意思決定と長期計画を行うことを可能にする。
分散インフラストラクチャ上でマルチタスクエージェントRLのスループットを最大化する分散システムであるRollArcを提案する。
論文 参考訳（メタデータ） (2025-12-27T11:14:23Z) - AQUILA: A QUIC-Based Link Architecture for Resilient Long-Range UAV Communication [0.0]
AQUILAは、これらの課題に対処するためにQUIC上に構築された層間通信アーキテクチャである。
AQUILAは、C2レイテンシ、ビデオ品質、リンクレジリエンスにおいて、TCPおよびUDPベースのアプローチよりも大幅に優れています。
論文 参考訳（メタデータ） (2025-12-07T15:30:01Z) - MobileGeo: Exploring Hierarchical Knowledge Distillation for Resource-Efficient Cross-view Drone Geo-Localization [47.16612614191333]
クロスビューなジオローカライゼーションにより、航空画像とジオタグ付き衛星データベースとのマッチングによるドローンのローカライゼーションが可能になる。
MobileGeoは、デバイス上の効率的なCVGL用に設計されたモバイルフレンドリーなフレームワークである。
MobileGeoはNVIDIA AGX Orinエッジデバイス上で251.5FPSで動作する。
論文 参考訳（メタデータ） (2025-10-26T08:47:20Z) - FusionLLM: A Decentralized LLM Training System on Geo-distributed GPUs with Adaptive Compression [55.992528247880685]
分散トレーニングは、システム設計と効率に関する重要な課題に直面します。
大規模深層ニューラルネットワーク(DNN)のトレーニング用に設計・実装された分散トレーニングシステムFusionLLMを提案する。
本システムと手法は,収束性を確保しつつ,ベースライン法と比較して1.45～9.39倍の高速化を実現可能であることを示す。
論文 参考訳（メタデータ） (2024-10-16T16:13:19Z) - Joint Feature Learning and Relation Modeling for Tracking: A One-Stream
Framework [76.70603443624012]
特徴学習と関係モデリングを統合した新しい一ストリーム追跡(OSTrack)フレームワークを提案する。
このようにして、相互誘導により識別的目標指向特徴を動的に抽出することができる。
OSTrackは、複数のベンチマークで最先端のパフォーマンスを実現しており、特に、ワンショットトラッキングベンチマークのGOT-10kでは印象的な結果を示している。
論文 参考訳（メタデータ） (2022-03-22T18:37:11Z)
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。