論文の概要: A BIM-enabled, Agent-based Discrete-event Simulation Platform for Robotic Studies: A Method based on Graph Theory
- arxiv url: http://arxiv.org/abs/2607.16920v1
- Date: Sat, 18 Jul 2026 18:25:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-21 18:48:37.301729
- Title: A BIM-enabled, Agent-based Discrete-event Simulation Platform for Robotic Studies: A Method based on Graph Theory
- Title（参考訳）: ロボット研究のためのBIM対応エージェント型離散イベントシミュレーションプラットフォーム:グラフ理論に基づく手法
- Abstract要約: 情報モデリングの構築には、豊かな幾何学的、セマンティック、操作的な情報が含まれており、ロボットアプリケーションではほとんど使われていない。
本研究では,知識駆動型屋内ロボットナビゲーションと操作計画のためのBIM対応エージェントベースシミュレーションプラットフォームを提案する。
- 参考スコア（独自算出の注目度）: 7.979863767713792
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Indoor robots are increasingly employed for facility management tasks such as cleaning and inspection. These applications primarily rely on navigation and can be effectively supported by predefined routes or perception-driven Simultaneous Localization and Mapping (SLAM) techniques. However, more complex tasks, such as locating and repairing leaking pipes, require not only navigation but also access to building information, including the location, geometry, material, and operational attributes of components. Existing navigation approaches provide only limited environmental understanding and cannot readily supply such information. In contrast, Building Information Modeling (BIM) contains rich geometric, semantic, and operational information that remains largely underutilized in robotic applications. This study proposes a BIM-enabled, agent-based simulation platform for knowledge-driven indoor robot navigation and operation planning. Within the framework, indoor environments are discretized into grid cells that are mapped to graph nodes and classified as target, obstacle, or regular nodes according to their spatial relationships with building elements. Traversal costs are assigned to edges connecting neighboring nodes, enabling graph-theoretic algorithms to compute efficient and collision-free navigation paths while avoiding obstacles. Simulation results demonstrate that the proposed graph representation enables efficient and collision-free navigation. A key limitation associated with coarse discretization, namely overlap between target-occupied and obstacle-occupied cells, is identified and mitigated through grid refinement, improving spatial accuracy and path feasibility. The proposed platform supports virtual evaluation of robotic operations prior to deployment and provides a foundation for BIM-informed robotic systems in facility management.
- Abstract（参考訳）: 室内ロボットは、清掃や検査などの設備管理業務にますます採用されている。
これらのアプリケーションはナビゲーションに大きく依存しており、事前に定義されたルートや知覚駆動の同時局所化マッピング(SLAM)技術によって効果的にサポートできる。
しかし、漏れるパイプの位置や修復のようなより複雑なタスクは、ナビゲーションだけでなく、部品の位置、幾何学、材料、運用上の特性など、構築情報へのアクセスも必要である。
既存のナビゲーションアプローチは、限られた環境理解しか提供せず、そのような情報を容易に供給できない。
対照的に、ビルディング・インフォメーション・モデリング(BIM)は、ロボティック・アプリケーションでほとんど使われていない豊富な幾何学的、意味的、操作的な情報を含んでいる。
本研究では,知識駆動型屋内ロボットナビゲーションと操作計画のためのBIM対応エージェントベースシミュレーションプラットフォームを提案する。
フレームワーク内では、屋内環境は、グラフノードにマッピングされたグリッドセルに識別され、ターゲット、障害物、または通常のノードとして、建築要素と空間的関係に従って分類される。
トラバーサルコストは、隣接するノードを接続するエッジに割り当てられ、グラフ理論アルゴリズムは、障害物を避けながら、効率的で衝突のないナビゲーションパスを計算できる。
シミュレーションの結果,提案したグラフ表現は効率的かつ衝突のないナビゲーションを可能にすることが示された。
粗い離散化に関連する鍵制限、すなわち、標的占有細胞と障害物占有細胞の重複を識別し、グリッドリファインメントにより緩和し、空間的精度と経路実現性を向上させる。
提案プラットフォームは,導入前のロボット操作の仮想評価をサポートし,施設管理におけるBIMインフォームドロボットシステムの基盤を提供する。
関連論文リスト
- Learning-Based Hierarchical Scene Graph Matching for Robot Localization Leveraging Prior Maps [0.17398560678845076]
シーングラフは、セマンティックエンティティとその関係の階層として環境の構造をエンコードする。
これら2つの相補的表現を一致させることで、既知の構造的先行に対してロボット観測を接地することでSLAMのドリフト補正が可能になる。
ここでは、階層内および階層間関係を符号化する意味的動機付けされたエッジタイプを用いて、両方のグラフを拡大する、学習されたエンドツーエンドの微分可能なパイプラインを示す。
論文 参考訳（メタデータ） (2026-04-30T13:05:57Z) - To Move or Not to Move: Constraint-based Planning Enables Zero-Shot Generalization for Interactive Navigation [14.745622942938532]
家庭環境や倉庫のような現実のシナリオでは、クラッタはすべてのルートをブロックすることができる。
本稿では,移動ロボットが乱雑に移動して自身の進路を鍛える,Lifelong Interactive Navigation問題を紹介する。
アクティブな認識を伴うLLM駆動制約に基づく計画フレームワークを提案する。
論文 参考訳（メタデータ） (2026-02-23T17:10:00Z) - A Unified Experimental Architecture for Informative Path Planning: from Simulation to Deployment with GuadalPlanner [69.43049144653882]
本稿では,車種別制御から高レベルの意思決定を分離する統一アーキテクチャを提案する。
提案アーキテクチャは、計画、センシング、車両実行の標準化されたインターフェースを定義するGuaralPlannerを通じて実現されている。
論文 参考訳（メタデータ） (2026-02-11T10:02:31Z) - Towards Agentic Intelligence for Materials Science [73.4576385477731]
この調査は、コーパスキュレーションからプレトレーニングから、シミュレーションと実験プラットフォームに面した目標条件付きエージェントまで、ユニークなパイプライン中心の視点を推し進める。
コミュニティをブリッジし、参照の共有フレームを確立するために、まず、AIと材料科学をまたいだ用語、評価、ワークフローの段階を整列する統合レンズを提示する。
論文 参考訳（メタデータ） (2026-01-29T23:48:43Z) - CoINS: Counterfactual Interactive Navigation via Skill-Aware VLM [13.352875026471445]
スキル認識型VLM(CoINS)による対物対話ナビゲーションを提案する。
我々は、スキルの余裕と具体的な制約パラメータを入力コンテキストに組み込んだ、InterNav-VLMというVLMを微調整する。
生成した高レベルプランを実行するために,強化学習による総合的なスキルライブラリを開発する。
論文 参考訳（メタデータ） (2026-01-07T14:10:46Z) - Real-Time Navigation for Autonomous Aerial Vehicles Using Video [11.414350041043326]
我々は,コンピュータビジョン(CV)アルゴリズムの作業量を削減するために,新しいマルコフ決定プロセス(MDP)フレームワークを導入する。
提案するフレームワークは,機能ベースとニューラルネットベースのオブジェクト検出タスクの両方に適用する。
これらの総合的なテストは、エネルギー消費と速度に大きな利点を示し、精度は限られている。
論文 参考訳（メタデータ） (2025-04-01T01:14:42Z) - Performance Study of YOLOv5 and Faster R-CNN for Autonomous Navigation
around Non-Cooperative Targets [0.0]
本稿では,カメラと機械学習アルゴリズムを組み合わせることで,相対的なナビゲーションを実現する方法について論じる。
高速領域ベース畳み込みニューラルネットワーク(R-CNN)とYou Only Look Once(YOLOv5)の2つのディープラーニングに基づくオブジェクト検出アルゴリズムの性能を検証した。
本稿では, 特徴認識アルゴリズムの実装と, 宇宙船誘導航法制御システムへの統合に向けての道筋について論じる。
論文 参考訳（メタデータ） (2023-01-22T04:53:38Z) - Large-scale Autonomous Flight with Real-time Semantic SLAM under Dense
Forest Canopy [48.51396198176273]
本研究では,大規模自律飛行とリアルタイムセマンティックマッピングを,挑戦的なアンダーキャノピー環境下で実現可能な統合システムを提案する。
我々は、スキャン全体で関連付けられ、木のトランクモデルと同様にロボットのポーズを制約するために使用されるLiDARデータから、木の幹と地面の平面を検出し、モデル化する。
ドリフト補償機構は、プランナー最適性とコントローラ安定性を維持しつつ、セマンティックSLAM出力を用いたドリフトをリアルタイムで最小化するように設計されている。
論文 参考訳（メタデータ） (2021-09-14T07:24:53Z) - Multi-scale Interaction for Real-time LiDAR Data Segmentation on an
Embedded Platform [62.91011959772665]
LiDARデータのリアルタイムセマンティックセグメンテーションは、自動運転車にとって不可欠である。
ポイントクラウド上で直接動作する現在のアプローチでは、複雑な空間集約操作を使用する。
本稿では,マルチスケールインタラクションネットワーク(MINet)と呼ばれるプロジェクションベースの手法を提案する。
論文 参考訳（メタデータ） (2020-08-20T19:06:11Z) - Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for
Online Collision Avoidance [95.86944752753564]
本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。
我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。
本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
論文 参考訳（メタデータ） (2020-07-28T07:34:30Z) - Deep Learning based Pedestrian Inertial Navigation: Methods, Dataset and
On-Device Inference [49.88536971774444]
慣性測定ユニット(IMU)は小型で安価でエネルギー効率が良く、スマートデバイスや移動ロボットに広く使われている。
正確で信頼性の高い歩行者ナビゲーションをサポートするために慣性データをエクスプロイトすることは、新しいインターネット・オブ・シングス・アプリケーションやサービスにとって重要なコンポーネントである。
我々は、深層学習に基づく慣性ナビゲーション研究のための最初の公開データセットであるOxIOD(OxIOD)を提示、リリースする。
論文 参考訳（メタデータ） (2020-01-13T04:41:54Z)
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。