論文の概要: SLIDER: Sparse History-Guided Aerial Robot Target Search using Sliding Local Maps

• arxiv url: http://arxiv.org/abs/2607.10553v1
• Date: Sun, 12 Jul 2026 03:55:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 15:40:48.465387
• Title: SLIDER: Sparse History-Guided Aerial Robot Target Search using Sliding Local Maps
• Title（参考訳）: SLIDER:スライディングローカルマップによる空飛ぶロボットの探索
• Abstract要約: 本稿では,局所的スライディングマップと疎大な世界史情報を組み合わせることで,大域的な高密度地図への依存を回避する軽量フレームワークであるSLIDERを提案する。 リアルタイムに点雲データを評価するために,歴史的ポーズとセンサモデルを利用した新しい観測品質評価手法を提案する。 スケーラブルでレスポンシブな計画をサポートするために、インクリメンタルな視点クラスタリング戦略は、ローカルアップデートに動的に適応する。 グローバルな計画とコスト評価を支援するため、疎グローバルなトポロジマップを漸進的に維持する。
• 参考スコア（独自算出の注目度）: 8.942263751725413
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Efficient exploration and target search in large-scale unknown environments remain challenging for aerial robots due to the demands of broad spatial coverage, fine-grained perception, and real-time decision-making. This paper presents SLIDER, a lightweight and memory-efficient framework that avoids reliance on globally dense maps by combining a local sliding map with sparse global history information. A novel observation quality evaluation method is proposed, leveraging historical poses and sensor models to assess point cloud data in real-time, enabling efficient frontier detection. To support scalable and responsive planning, an incremental viewpoint clustering strategy dynamically adapts to local updates, significantly reducing the number of candidate targets and decreasing computational load. A sparse global topological map is incrementally maintained to assist global planning and cost evaluation. Extensive simulations and real-world experiments demonstrate that the proposed system outperforms state-of-the-art methods in memory usage, decision latency, and search efficiency.
• Abstract（参考訳）: 大規模な未知の環境での効率的な探索と目標探索は、広い空間範囲のカバー、きめ細かい知覚、リアルタイム意思決定の要求により、航空ロボットにとって依然として困難である。 本稿では,局所スライディングマップと希少なグローバルヒストリ情報を組み合わせることで,大域的な高密度マップへの依存を回避する軽量かつメモリ効率のフレームワークであるSLIDERを提案する。 歴史的ポーズやセンサモデルを利用してリアルタイムに点雲データを評価し,効率的なフロンティア検出を可能にする,新しい観測品質評価手法を提案する。 スケーラブルでレスポンシブな計画を支援するために、インクリメンタルな視点クラスタリング戦略は、局所的な更新に動的に適応し、候補となるターゲットの数を著しく削減し、計算負荷を低減します。 グローバルな計画とコスト評価を支援するため、疎グローバルなトポロジマップを漸進的に維持する。 大規模なシミュレーションと実世界の実験により、提案システムはメモリ使用率、決定遅延、探索効率において最先端の手法より優れていることを示した。

関連論文リスト

• SCOPE: Skeleton Graph-Based Computation-Efficient Framework for Autonomous UAV Exploration [30.628401434735906]
  SCOPEは、リアルタイム骨格グラフを漸進的に構築する新しいフレームワークであり、Implicit Unknown Region Analysisを導入している。 最先端のグローバルプランナーに匹敵する競争力のある探索性能を達成し、計算コストを平均86.9%削減する。
  論文  参考訳（メタデータ） (2026-02-26T07:31:29Z)
• ReSPIRe: Informative and Reusable Belief Tree Search for Robot Probabilistic Search and Tracking in Unknown Environments [25.261065989248877]
  本稿では,ターゲット探索・追跡(SAT)のための情報トラジェクトリ計画手法であるReSPIReを提案する。 我々はまず,非ガウス的信念分布下での相互情報報酬を高速かつ正確に推定する点に基づく新しい近似手法を開発した。 ReSPIReにおいて, 事前目標情報の不十分な不確実性に対処するために, 階層的粒子構造を提案する。
  論文  参考訳（メタデータ） (2025-12-31T07:13:14Z)
• UnLoc: Leveraging Depth Uncertainties for Floorplan Localization [80.55849461031879]
  UnLocはフロアプラン内のシーケンシャルカメラローカライゼーションのための効率的なデータ駆動ソリューションである。 本研究では,不確実性推定を組み込んだ新しい確率モデルを導入し,深度予測を明示的な確率分布としてモデル化する。 我々はUnLocを大規模合成および実世界のデータセット上で評価し、精度とロバスト性の観点から大幅に改善したことを示す。
  論文  参考訳（メタデータ） (2025-09-14T14:45:43Z)
• Next-Best-Trajectory Planning of Robot Manipulators for Effective Observation and Exploration [0.26999000177990923]
  Next-Best-Trajectory原則は、動的環境で動作するロボットマニピュレータ向けに開発された。 本稿では,環境モデリングにボクセルマップを用い,関心点を中心とした視点からレイキャストを行い,情報ゲインを推定する。 グローバル・エルゴード・トラジェクトリ・プランナーは、ローカル・プランナーにオプションの参照・トラジェクトリを提供し、探索を改善し、ローカル・ミニマを避けるのに役立つ。
  論文  参考訳（メタデータ） (2025-03-28T16:34:29Z)
• ActiveSplat: High-Fidelity Scene Reconstruction through Active Gaussian Splatting [12.644175177979196]
  ガウススプラッティングを利用した自律型高忠実度再構築システムであるActiveSplatを提案する。 このシステムは、オンラインマッピング、視点選択、経路計画のための統合されたフレームワークを確立する。
  論文  参考訳（メタデータ） (2024-10-29T11:18:04Z)
• Swarm Intelligence in Geo-Localization: A Multi-Agent Large Vision-Language Model Collaborative Framework [51.26566634946208]
  smileGeoは、新しい視覚的ジオローカライゼーションフレームワークである。 エージェント間のコミュニケーションによって、SmithGeoはこれらのエージェントの固有の知識と、検索された情報を統合する。 その結果,本手法は現在の最先端手法よりも優れていた。
  論文  参考訳（メタデータ） (2024-08-21T03:31:30Z)
• Learning Where to Look: Self-supervised Viewpoint Selection for Active Localization using Geometrical Information [68.10033984296247]
  本稿では, 位置決めの精度を高めるために, 視点選択の重要性を強調し, アクティブな位置決め領域について検討する。 私たちのコントリビューションは、リアルタイム操作用に設計されたシンプルなアーキテクチャ、自己教師付きデータトレーニング方法、および実世界のロボティクスアプリケーションに適した計画フレームワークにマップを一貫して統合する能力による、データ駆動型アプローチの使用に関するものです。
  論文  参考訳（メタデータ） (2024-07-22T12:32:09Z)
• Large-scale Fully-Unsupervised Re-Identification [78.47108158030213]
  大規模未ラベルデータから学ぶための2つの戦略を提案する。 第1の戦略は、近傍関係に違反することなく、それぞれのデータセットサイズを減らすために、局所的な近傍サンプリングを行う。 第2の戦略は、低時間上限の複雑さを持ち、メモリの複雑さを O(n2) から O(kn) に k n で還元する新しい再帰的手法を利用する。
  論文  参考訳（メタデータ） (2023-07-26T16:19:19Z)
• Adaptive Local-Component-aware Graph Convolutional Network for One-shot Skeleton-based Action Recognition [54.23513799338309]
  骨格に基づく行動認識のための適応的局所成分認識グラフ畳み込みネットワークを提案する。 我々の手法はグローバルな埋め込みよりも強力な表現を提供し、我々のモデルが最先端に到達するのに役立ちます。
  論文  参考訳（メタデータ） (2022-09-21T02:33:07Z)
• Lightweight Object-level Topological Semantic Mapping and Long-term Global Localization based on Graph Matching [19.706907816202946]
  本稿では,高精度でロバストなオブジェクトレベルのマッピングとローカライズ手法を提案する。 我々は、環境のランドマークをモデル化するために、意味情報と幾何学情報の両方を持つオブジェクトレベルの特徴を使用する。 提案したマップに基づいて,新たな局所的シーングラフ記述子を構築することにより,ロバストなローカライゼーションを実現する。
  論文  参考訳（メタデータ） (2022-01-16T05:47:07Z)
• Real-time Outdoor Localization Using Radio Maps: A Deep Learning Approach [59.17191114000146]
  LocUNet: ローカライゼーションタスクのための畳み込み、エンドツーエンドのトレーニングニューラルネットワーク(NN)。 我々は,LocUNetがユーザを最先端の精度でローカライズし,無線マップ推定における不正確性が高いことを示す。
  論文  参考訳（メタデータ） (2021-06-23T17:27:04Z)
• Localized active learning of Gaussian process state space models [63.97366815968177]
  多くの共通制御アプリケーションにおいて、優れた性能を達成するためには、グローバルに正確なモデルを必要としない。 本稿では,状態-作用空間の有界部分集合上の正確なモデルを得ることを目的としたガウス過程状態空間モデルに対する能動的学習戦略を提案する。 モデル予測制御を用いることで、探索中に収集した情報を統合し、探索戦略を適応的に改善する。
  論文  参考訳（メタデータ） (2020-05-04T05:35:02Z)

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。