論文の概要: UAV-MapFusion: RTK-Aligned Uncertainty-Aware Coarse-to-Fine Multi-Session UAV Mapping

• arxiv url: http://arxiv.org/abs/2606.26928v1
• Date: Thu, 25 Jun 2026 12:03:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 18:46:32.275718
• Title: UAV-MapFusion: RTK-Aligned Uncertainty-Aware Coarse-to-Fine Multi-Session UAV Mapping
• Title（参考訳）: UAV-MapFusion:RTK対応不確実性対応マルチセッションUAVマッピング
• Abstract要約: 大規模クラウドマップはロボット工学や空間知能のタスクに不可欠である。 飛行耐久力の制限と搭載ストレージのため、1回の飛行で大規模なシーンをマッピングすることは依然として困難である。 既存のマルチセッションマップマージ手法はマッピング範囲を拡張できるが、UAVのシナリオでは、長距離ドリフトを同時に抑制し、局所的な幾何学的精度を維持するのに苦労している。
• 参考スコア（独自算出の注目度）: 10.494473889988074
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large-scale point cloud maps are essential for robotics and spatial intelligence tasks. UAVs provide an efficient means for large-scale map acquisition; however, due to limited flight endurance and onboard storage, mapping a large-scale scene within a single flight remains difficult. Existing multi-session map merging methods can extend the mapping range, yet in UAV scenarios they still struggle to simultaneously suppress long-range drift and preserve local geometric accuracy. To address this issue, an uncertainty-aware multi-session point cloud map merging and coarse-to-fine optimization system is proposed. The proposed method first performs initial multi-session map merging based on a scene graph, and then incorporates RTK observations through an RTK spatiotemporal alignment module, where temporal offsets are estimated using Dynamic Time Warping (DTW), and continuous RTK constraints are recovered using Multi-Output Gaussian Processes (MOGP) under incomplete sampling and frame dropouts. On this basis, a unified uncertainty-aware factor graph is constructed, and local geometric accuracy is further improved through iterative plane-factor refinement. Experiments on real-world datasets validate the effectiveness and robustness of the proposed method. To facilitate further research and development in the community, our code and dataset will be publicly released.
• Abstract（参考訳）: 大規模クラウドマップはロボット工学や空間知能のタスクに不可欠である。 UAVは、大規模な地図取得に効率的な手段を提供するが、飛行時間と機内ストレージが限られているため、1回の飛行で大規模なシーンをマッピングすることは依然として困難である。 既存のマルチセッションマップマージ手法はマッピング範囲を拡張できるが、UAVのシナリオでは、長距離ドリフトを同時に抑制し、局所的な幾何学的精度を維持するのに苦労している。 この問題に対処するために,不確実性を考慮したマルチセッションポイントクラウドマップと粗大な最適化システムを提案する。 提案手法はまずシーングラフに基づいて初期マルチセッションマップマージを行い,RTK時空間アライメントモジュールを用いてRTK観測を行い,時空間オフセットを動的時間ワープ(DTW)を用いて推定し,不完全サンプリングおよびフレームドロップアウト下でのマルチ出力ガウスプロセス(MOGP)を用いて連続RTK制約を回復する。 これに基づいて、統一された不確実性認識因子グラフを構築し、反復平面分解により局所的幾何精度をさらに向上する。 実世界のデータセットを用いた実験は,提案手法の有効性とロバスト性を検証する。 コミュニティにおけるさらなる研究と開発を促進するため、コードとデータセットを公開します。

関連論文リスト

• Unordered Landmark Visual Navigation [33.446315024750774]
  Unordered Landmark Visual Navigation (ULVN)は、RGBのみの統一フレームワークで、時間的および生体的事前処理が不要である。 閉ループ実行において、ULVNはグラフベースの信念伝搬フィルタを利用してシーケンシャルキャリブレーションを放棄する。 シミュレーションと実世界の展開の実験では、ULVNが最先端の手法よりも大幅に優れていることが示されている。
  論文  参考訳（メタデータ） (2026-08-07T05:45:06Z)
• OptiMVMap: Offline Vectorized Map Construction via Optimal Multi-vehicle Perspectives [111.69010751405368]
  オフラインベクトル化マップは、高精度の自動運転およびマッピングサービスの重要な基盤となっている。 既存のアプローチは、基本的に視点の不十分さに苦しむ1つのエゴ車軌道に大きく依存している。 本稿では,これらの課題に体系的に対処するために,多車種対応マップを選択型ヒューズ問題として再構成するOptiMVMapを提案する。
  論文  参考訳（メタデータ） (2026-04-18T20:23:27Z)
• Geometric Multi-Session Map Merging with Learned Local Descriptors [1.826848871278733]
  大規模なマルチセッションポイントクラウドマップ統合のための学習ベースのローカル記述フレームワークであるGMLDを提案する。 提案フレームワークはキーポイント対応エンコーダと平面型幾何変換器を用いてループ閉包検出と相対ポーズ推定のための識別特徴を抽出する。 その結果, 高精度でロバストなマップを低誤差でマージし, ループクロージャ検出と相対ポーズ推定の両方において, 高い性能が得られることがわかった。
  論文  参考訳（メタデータ） (2025-12-30T17:56:15Z)
• Scaling Up Occupancy-centric Driving Scene Generation: Dataset and Method [54.461213497603154]
  作業中心の手法は、最近、フレームとモダリティをまたいだ一貫した条件付けを提供することで、最先端の結果を得た。 Nuplan-Occは、広く使われているNuplanベンチマークから構築された、これまでで最大の占有率データセットである。 高品質な占有、多視点ビデオ、LiDAR点雲を共同で合成する統合フレームワークを開発した。
  論文  参考訳（メタデータ） (2025-10-27T03:52:45Z)
• 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)
• MambaMap: Online Vectorized HD Map Construction using State Space Model [11.15033113060733]
  MambaMapは、オンラインベクター化されたHDマップを構築するために、状態空間の長い時間的特徴を効率的に融合する新しいフレームワークである。 具体的には、MambaMapにはメモリバンクが組み込まれており、過去のフレームから情報を保存して活用している。 さらに,BEVとインスタンスレベルの特徴抽出を強化するために,革新的な多方向・時空間走査方式を設計する。
  論文  参考訳（メタデータ） (2025-07-27T11:09:27Z)
• Unified Linear Parametric Map Modeling and Perception-aware Trajectory Planning for Mobile Robotics [1.7495208770207367]
  本稿では,高次元空間にデータをマッピングする軽量な線形パラメトリックマップを提案する。 UAVでは,Euclidean Signed Distance Field (ESDF) マップを用いた。 UGVでは、モデルは地形を特徴づけ、クローズドフォーム勾配を提供し、オンラインプランニングによって大きな穴を回避できる。
  論文  参考訳（メタデータ） (2025-07-12T16:39:19Z)
• RTMap: Real-Time Recursive Mapping with Change Detection and Localization [8.343318095882232]
  RTMapは、自己進化メモリとして、マルチトラバースHDマップを継続的にクラウドソーシングする。 オンボードエージェントでは、RTMapはエンドツーエンドの方法で、同時に3つのコア課題に対処する。 いくつかの公道自動運転データセットの実験は、事前支援された地図の品質と位置決め精度の両方において、我々の確固たる性能を実証している。
  論文  参考訳（メタデータ） (2025-07-01T17:32:30Z)
• Efficient Masked AutoEncoder for Video Object Counting and A Large-Scale Benchmark [52.339936954958034]
  前景の動的不均衡は、ビデオオブジェクトのカウントにおいて大きな課題である。 本稿では,密度埋め込み型効率的なマスドオートエンコーダカウント(E-MAC)フレームワークを提案する。 さらに,渡り鳥保護のための自然シナリオにおいて,まず,大規模なビデオバードカウントデータセットであるDroneBirdを提案する。
  論文  参考訳（メタデータ） (2024-11-20T06:08:21Z)
• Temporal Action Localization with Enhanced Instant Discriminability [66.76095239972094]
  時間的行動検出(TAD)は、すべての行動境界とその対応するカテゴリを、トリミングされていないビデオで検出することを目的としている。 本稿では,既存の手法による動作境界の不正確な予測を解決するために,TriDetという一段階のフレームワークを提案する。 実験結果から,複数のTADデータセット上でのTriDetの堅牢性と最先端性能が示された。
  論文  参考訳（メタデータ） (2023-09-11T16:17:50Z)
• DETR Doesn't Need Multi-Scale or Locality Design [69.56292005230185]
  本稿では,"プレーン"特性を維持できる改良型DETR検出器を提案する。 特定の局所性制約を伴わずに、単一スケールの機能マップとグローバルなクロスアテンション計算を使用する。 マルチスケールな特徴マップと局所性制約の欠如を補うために,2つの単純な技術が平易な設計において驚くほど効果的であることを示す。
  論文  参考訳（メタデータ） (2023-08-03T17:59:04Z)
• JHU-CROWD++: Large-Scale Crowd Counting Dataset and A Benchmark Method [92.15895515035795]
  我々は、"4,372"イメージと"1.51万"アノテーションを含む、新しい大規模非制約クラウドカウントデータセット(JHU-CROWD++)を導入する。 本稿では, 残差誤差推定により, 群集密度マップを段階的に生成する新しい群集カウントネットワークを提案する。
  論文  参考訳（メタデータ） (2020-04-07T14:59:35Z)

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。