論文の概要: Self-Healing Visual Recovery for Autonomous Ground Vehicles Using Camera-Only Visual Odometry

• arxiv url: http://arxiv.org/abs/2607.11686v1
• Date: Mon, 13 Jul 2026 15:22:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 17:47:21.527526
• Title: Self-Healing Visual Recovery for Autonomous Ground Vehicles Using Camera-Only Visual Odometry
• Title（参考訳）: カメラオンリー・ビジュアル・オドメトリーによる自動地上車両の自己修復型視覚回復
• Abstract要約: 1台のカメラと少ないコンピューティングパワーしか必要とせず、ラインがブロックされたり、シャープに曲がったり、視界を外れたりすると失敗する可能性があるため、ラインフォローは有用である。 本稿では、LiDAR、GPS、GPUを使わずに、ガイドライントラッキングを復元する軽量な2段階リカバリ手法を提案する。 この方法は86.6%のケースで成功し、平均回復時間は3.26秒であった。
• 参考スコア（独自算出の注目度）: 1.7842332554022695
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Low-cost unmanned ground vehicles are often used in indoor places like warehouses, inspection corridors, and farm rows, where painted floor lines guide the robot. Line following is useful because it only needs one camera and little computing power, but it can fail when the line is blocked or turns sharply and goes out of view. Sensor-rich platforms tolerate this through hardware redundancy (LiDAR, GPS, multiple cameras), but camera-only systems must recover at runtime with no additional infrastructure. This paper presents a lightweight, two-stage recovery approach that restores guideline tracking without LiDAR, GPS, or a GPU. When the line is lost, the robot first turns in place while slowly relaxing its color checks and waiting for confirmation across multiple frames (Stage 1). If the line is still not found, monocular visual odometry moves the robot back to saved breadcrumb positions before it tries again (Stage 2). The system uses a depth-gated HSV line tracker, a YOLOv8n obstacle detector, and a visual odometry breadcrumb mapper, and it runs at 20 Hz on CPU-only hardware. The controller embeds a complete MAPE-K loop within a single 50 ms control tick, with no external adaptation manager required. The approach is evaluated across 119 fault-injected episodes on three Webots simulation courses. The method was successful in 86.6% of cases, with a median recovery time of 3.26 seconds. These results demonstrate that reliable visual recovery is feasible on camera-only UGVs within practical cost and computational limits.
• Abstract（参考訳）: 低コストの無人地上車両は、倉庫、検査用回廊、農場の列などの屋内でよく使用され、塗装された床線がロボットを案内する。 1台のカメラと少ないコンピューティングパワーしか必要とせず、ラインがブロックされたり、シャープに曲がったり、視界を外れたりすると失敗する可能性があるため、ラインフォローは有用である。 センサーに富んだプラットフォームはハードウェア冗長性(LiDAR、GPS、複数のカメラ)によってこれを許容するが、カメラのみのシステムは追加のインフラなしで実行時に回復しなければならない。 本稿では、LiDAR、GPS、GPUを使わずに、ガイドライントラッキングを復元する軽量な2段階リカバリ手法を提案する。 ラインが失われると、ロボットはまず、色チェックを緩やかに緩和し、複数のフレームで確認を待つ(ステップ1)。 線がまだ見つからなければ、単眼視でロボットをパンクラムの位置に戻して再度試みる(第2段階)。 このシステムは、深度ゲートのHSVライントラッカー、YOLOv8n障害物検出器、およびビジュアル・オドメトリー・パンクラム・マッパーを使用しており、CPU専用ハードウェア上では20Hzで動作する。 コントローラは完全なMAPE-Kループを1つの50ミリ秒の制御ティッチに埋め込むが、外部適応マネージャは不要である。 この手法は3つのWebotsシミュレーションコースで119の障害注入エピソードに対して評価される。 この方法は86.6%のケースで成功し、平均回復時間は3.26秒であった。 これらの結果から, カメラのみのUGVにおいて, 実用的コストと計算能力の限界において, 信頼性の高い視覚回復が可能であることが示唆された。

関連論文リスト

• GRACE: Geometry- and Ray-Aware Camera-Efficient Multi-View Pedestrian Tracking [16.426058379893735]
  3つのコンポーネントを持つカメラ効率の良いマルチビュートラッカーであるGRACEを紹介する。 Volumetric-Guided Fusionは、ホモグラフィーベースのBEV機能と、3D空間で持ち上げる機能を組み合わせたものだ。 レイコンディショニングは、各カメラの視方向を融合ネットワークに公開する。
  論文  参考訳（メタデータ） (2026-09-15T09:04:10Z)
• TAPVid-MV: A Benchmark for Tracking Any Point in 3D Across Multiple Views [50.26507994908593]
  この設定の最初のベンチマークであるTAPVid-MV(Tracking Any Point in Video across Multiple Views)を紹介します。 キュレートされた284のシーケンス、1,142のキャリブレーションされたカメラストリーム、109,769のトラックが、屋内と屋外のドメインにまたがる7つのサブセットにまたがっている。 本研究では,センサ深度,LiDAR,SLAM,SfM点,ヒューマンメッシュ,ポーズされたオブジェクトメッシュ,シミュレーションといった,データセット固有の補助的モダリティを用いてこれらのトラジェクトリを解析し,各シーケンスとトラジェクトリを人間のアノテーションによって視覚的に検証する。
  論文  参考訳（メタデータ） (2026-09-01T21:58:51Z)
• RRTrack: Robust and Recoverable Object 6D Pose Tracking for Dynamic Scenes [55.15267980622371]
  RRTrackは効率的で復元可能なオブジェクト6Dポーズトラッカーである。 高速な動きと目標の消光によるロバストな追跡を可能にする。 実験の結果、RRTrackはADD-S ARを66.3%改善し、ADD-S AUCを65.7%改善した。
  論文  参考訳（メタデータ） (2026-07-26T14:05:46Z)
• Robostral Navigate [138.74472687550374]
  Robostral Navigateは、大規模なナビゲーションシステムのための視覚言語モデルである。 モノラルなRGB画像のストリームのみを消費し、現在のカメラビューの次のターゲット位置を指して、ウェイポイントを予測する。 我々は、実世界のデータ収集への依存を減らすため、350kのシミュレートされたシーンに240万のトラジェクトリを生成します。
  論文  参考訳（メタデータ） (2026-07-22T23:13:05Z)
• LoRFT: Benchmarking Long-Range Vehicle Trajectory Reconstruction from Fixed Highway Cameras [6.806850352750748]
  固定ハイウェイカメラからの長距離車両軌道再構築のための最初のオープンベンチマークであるLoRFTを紹介した。 LoRFTは22889の監視シーン、366,109の動画フレーム、6,601の手動検証軌道、2,694のバウンディングボックス、ロードジオメトリアノテーション、シーンレベルの分割、評価スクリプトで構成されている。 本研究では,地図対応残差列列列列モデルであるMapR-STNetを提案する。
  論文  参考訳（メタデータ） (2026-07-22T08:42:58Z)
• Bootstrap Perception Under Hardware Depth Failure for Indoor Robot Navigation [1.0514231683620514]
  ハードウェア深度障害下での屋内ロボットナビゲーションのためのブートストラップ認識システムを提案する。 廊下のデータでは、飛行時のカメラは反射面の深さピクセルの最大78%を失うが、2D LiDARだけではスキャン面の上の障害物を感知できない。 我々のシステムは、この失敗の自己参照特性を利用しており、センサーの生き残った有効なピクセルは、学習した単色深度をメートル法スケールに調整する。
  論文  参考訳（メタデータ） (2026-03-30T18:14:40Z)
• KV-Tracker: Real-Time Pose Tracking with Transformers [30.32327636560028]
  マルチビュー3D幾何ネットワークは強力だが、リアルタイムアプリケーションでは極めて遅い。 モノラルなRGBビデオからオブジェクトやシーンをリアルタイムに6-DoFのポーズトラッキングとオンライン再構築を可能にする新しい方法を提案する。
  論文  参考訳（メタデータ） (2025-12-27T13:02:30Z)
• A Graph Attention Network-Based Framework for Reconstructing Missing LiDAR Beams [0.0]
  本稿では,現在のLiDARフレームのみを用いて,行方不明な垂直チャネルを再構築するグラフ注意ネットワークフレームワークを提案する。 多層GATは、局所的な幾何学的近傍における適応的な注意重みを学習し、ドロップアウト箇所で欠落した標高(z)値を直接回帰する。 推論は1つのGPU上で1フレームあたり14.65秒かかる。
  論文  参考訳（メタデータ） (2025-12-13T17:50:57Z)
• SDG-Track: A Heterogeneous Observer-Follower Framework for High-Resolution UAV Tracking on Embedded Platforms [11.029096488950414]
  エッジデバイス上での小型無人航空機(UAV)のリアルタイム追跡は、根本的な解像度と速度の衝突に直面している。 本稿では,この競合を解消するためにObserver-Followerアーキテクチャを採用するスパース検出ガイドトラッカーを提案する。 地上対空追跡実験では、SDG-Trackはフレーム毎の検出精度の97.2%を維持しながら35.1 FPSシステムスループットを達成した。
  論文  参考訳（メタデータ） (2025-12-04T15:11:43Z)
• ReCamDriving: LiDAR-Free Camera-Controlled Novel Trajectory Video Generation [38.23100905961028]
  ReCamDrivingは、ビジョンベースでカメラ制御されたノベル・トラジェクトリー・ビデオ生成フレームワークである。 本稿では,3DGSを用いたクロストラジェクトリデータキュレーション手法を提案する。
  論文  参考訳（メタデータ） (2025-12-03T09:55:25Z)
• DynOMo: Online Point Tracking by Dynamic Online Monocular Gaussian Reconstruction [65.46359561104867]
  モノクラーカメラ入力からのオンライン2Dおよび3Dポイントトラッキングの課題を対象としている。 我々は3Dガウススプラッティングを利用して動的シーンをオンラインに再構築する。 我々は,オンラインのポイントトラッキングとリコンストラクションを推進し,様々な現実のシナリオに適用可能にすることを目的としている。
  論文  参考訳（メタデータ） (2024-09-03T17:58:03Z)
• BEVTrack: A Simple and Strong Baseline for 3D Single Object Tracking in Bird's-Eye View [54.48052449493636]
  3Dシングルオブジェクトトラッキング(SOT)はコンピュータビジョンの基本課題であり、自律運転のようなアプリケーションにおいて重要な役割を果たす。 BEVTrackは、シンプルだが効果的な動きに基づくトラッキング手法である。 我々は,BEVTrackが200FPSで動作しながら最先端の結果を達成し,リアルタイム適用性を実現していることを示す。
  論文  参考訳（メタデータ） (2023-09-05T12:42:26Z)
• ByteTrackV2: 2D and 3D Multi-Object Tracking by Associating Every Detection Box [81.45219802386444]
  マルチオブジェクトトラッキング(MOT)は、ビデオフレーム間のオブジェクトのバウンディングボックスとIDを推定することを目的としている。 低スコア検出ボックス内の真のオブジェクトをマイニングするための階層型データアソシエーション戦略を提案する。 3次元のシナリオでは、トラッカーが世界座標の物体速度を予測するのがずっと簡単である。
  論文  参考訳（メタデータ） (2023-03-27T15:35:21Z)
• Road Curb Detection and Localization with Monocular Forward-view Vehicle Camera [74.45649274085447]
  魚眼レンズを装着した校正単眼カメラを用いて3Dパラメータを推定するロバストな手法を提案する。 我々のアプローチでは、車両が90%以上の精度で、リアルタイムで距離を抑えることができる。
  論文  参考訳（メタデータ） (2020-02-28T00:24:18Z)

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。