論文の概要: Lifelong Localization in Dynamic Indoor Environments Combining Odometry with Sparse Distance Sampling

• arxiv url: http://arxiv.org/abs/2607.17852v1
• Date: Mon, 20 Jul 2026 11:46:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.607281
• Title: Lifelong Localization in Dynamic Indoor Environments Combining Odometry with Sparse Distance Sampling
• Title（参考訳）: オドメトリーとスパース距離サンプリングを組み合わせた屋内動的環境における生涯局在
• Abstract要約: 動的屋内環境におけるロバストな生涯ローカライゼーションフレームワークを提案する。 ロボットの位置に先立って、どのように距離サンプルが頑健になるかを実証する。 我々は、LiDARの全範囲とは対照的に、わずか (6) 距離のサンプルでSLAMに匹敵するローカライゼーションを実現する。
• 参考スコア（独自算出の注目度）: 5.257115841810258
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Localization is a key task in robot navigation, and many techniques exist for it. In many plausible scenarios, a robot might face unforeseen, dynamic obstacles, rendering any pre-determined map inaccurate for localization. In this work, we propose a robust lifelong localization framework in dynamic planar indoor environments, using the robot's odometry and sparse distance sampling. We demonstrate how distance samples can be used to provide a robust prior on the robot's location. This technique can solve the kidnapped robot problem in real time, up to symmetries. Based on insights from real-world recorded data, we also account for dynamic obstacles. We then fuse this prior, over time, with the odometry to converge to the robot's location. A central property of our method is that it provably converges to the robot's ground truth pose even in large indoor environments when the environment is static. We further show that this guarantee also holds in dynamic environments, as long as the nature of those changes has been correctly learned. We demonstrate the effectiveness of our approach in different real-world indoor environments. In particular, we achieve a localization comparable to SLAM with merely a few (sixteen) distance samples, as opposed to the full LiDAR range. Sufficing with only sparse distance sampling is advantageous in terms of sensor cost, privacy, storage space, and transmission bandwidth.
• Abstract（参考訳）: ローカライゼーションはロボットナビゲーションにおける重要なタスクであり、そのために多くの技術が存在する。 多くのシナリオにおいて、ロボットは予期せぬ、ダイナミックな障害に直面し、決定済みの地図が位置決めに不正確になる可能性がある。 本研究では,ロボットのオドメトリーとスパース距離サンプリングを用いて,動的平面屋内環境におけるロバストな生涯局所化フレームワークを提案する。 ロボットの位置に先立って、どのように距離サンプルが頑健になるかを実証する。 この技術は、誘拐されたロボットの問題を、対称性までリアルタイムで解決することができる。 実世界の記録データからの洞察に基づいて、動的障害も考慮する。 そして、時間とともに、ロボットの位置に収まるように、この前と後とを融合させます。 提案手法の中心的特性は,環境が静的な場合であっても,ロボットの地底の真理に確実に収束することである。 さらに、これらの変化の性質が正しく学習されている限り、この保証は動的環境でも有効であることを示す。 実環境の異なる屋内環境におけるアプローチの有効性を実証する。 特に、LiDARの全範囲とは対照的に、わずか(6つの)距離サンプルでSLAMに匹敵するローカライゼーションを実現する。 センサーコスト、プライバシ、ストレージスペース、伝送帯域幅の面では、スパースサンプリングのみで十分である。

関連論文リスト

• Meridian: Metric-Semantic Primitive Matching for Cross-View Geo-Localization Beyond Urban Environments [47.53030013880309]
  ロボット自動化の成功には、リピータビリティ、タスク計画、目標仕様、安全な操作をサポートするために、正確なグローバルローカライゼーションが必要である。 本稿では,空中画像と地上ロボットRGB-Dカメラデータにまたがって,ハイレベルなメトリック・セマンティックプリミティブをマッチングする方法であるメリディアンを提案する。 我々のアルゴリズムは、自律運転データセット、公園とキャンパスのエリア、荒野キャンプなど、幅広い環境にまたがる地上ロボットをローカライズできることを実証する。
  論文  参考訳（メタデータ） (2026-06-04T15:52:40Z)
• Simulation-Informed Diffusion for Decentralized Multi-robot Motion Planning [56.240199425429445]
  マルチロボットモーションプランニングでは、各ロボットが局所的な観測から衝突のない軌道を生成する必要がある。 既存のほとんどのプランナは、ローカル観測の静的スナップショットからトラジェクトリを生成する。 本稿では,制約対応拡散モデルに基づく分散フレームワークであるSimulation-Informed Diffusion (SID)を紹介する。
  論文  参考訳（メタデータ） (2026-05-26T21:17:53Z)
• Mind the Gaps: Multi-Robot Feedback-Driven Ergodic Coverage in Unknown Environments [1.0828616610785522]
  本研究は,ロボットのチームが環境内のデータを収集する位置を連続的に調整することで動的サンプリングを行う,マルチロボット適応型カバレッジの問題に対処する。 本研究では,環境モデルからのリアルタイムフィードバックを利用して,未知条件に応じてロボットのサンプリング行動を調整する適応型カバレッジ戦略を提案する。 我々のフレームワークは、ロボットが関心のある領域を動的に優先順位付けし、カバレッジ効率を向上し、個々のエージェントに対して効果的な制御ポリシーを合成し、未知の事前分布でリソース使用を最適化することを可能にする。
  論文  参考訳（メタデータ） (2026-05-20T20:25:35Z)
• MolmoSpaces: A Large-Scale Open Ecosystem for Robot Navigation and Manipulation [56.30931340537373]
  MolmoSpacesは、ロボットポリシーのベンチマークをサポートするための、完全にオープンなエコシステムである。 MolmoSpacesは230万以上の屋内環境で構成されている。 MolmoSpaces-Benchは8つのタスクのベンチマークスイートで、ロボットが私たちの多様なシーンとリッチな注釈付きオブジェクトと対話する。
  論文  参考訳（メタデータ） (2026-02-11T20:16:31Z)
• Continuum Robot Localization using Distributed Time-of-Flight Sensors [14.753889983176194]
  本稿では,ロボットの長さに沿って分散された小型で低解像度のToFセンサを利用する連続ロボットのための技術を提案する。 53cmのロボットを用いた実験条件で, 位置2.5cm, 回転7.2mの平均定位誤差を実現する。
  論文  参考訳（メタデータ） (2026-02-06T21:42:37Z)
• NeuPAN: Direct Point Robot Navigation with End-to-End Model-based Learning [67.53972459080437]
  乱雑で未知の環境で非ホロノミックロボットをナビゲートするには、リアルタイム衝突回避のための正確な認識と正確な動きが必要である。 本稿では, リアルタイム, 高精度, 地図のない, 展開が容易で, 環境によらないロボットモーションプランナであるNeuPANについて述べる。
  論文  参考訳（メタデータ） (2024-03-11T15:44:38Z)
• Robot Active Neural Sensing and Planning in Unknown Cluttered Environments [0.0]
  未知の乱雑な環境でのアクティブなセンシングと計画は、ホームサービス、探索と救助、狭い通行検査、医療支援を提供するロボットにとって、オープンな課題である。 本研究は,ロボットマニピュレータの動力学的に実現可能な視点列を手動カメラで生成し,基礎環境の再構築に必要な観測回数を最小化するための能動型ニューラルセンシング手法を提案する。 我々のフレームワークは視覚的RGBD観測を積極的に収集し、それらをシーン表現に集約し、環境との不要なロボットの相互作用を避けるためにオブジェクト形状推論を行う。
  論文  参考訳（メタデータ） (2022-08-23T16:56:54Z)
• iSDF: Real-Time Neural Signed Distance Fields for Robot Perception [64.80458128766254]
  iSDFは実時間符号付き距離場再構成のための連続学習システムである。 より正確な再構築と、衝突コストと勾配のより良い近似を生成する。
  論文  参考訳（メタデータ） (2022-04-05T15:48:39Z)
• Kimera-Multi: Robust, Distributed, Dense Metric-Semantic SLAM for Multi-Robot Systems [92.26462290867963]
  Kimera-Multiは、最初のマルチロボットシステムであり、不正なインターループとイントラロボットループの閉鎖を識別し拒否することができる。 我々は、フォトリアリスティックシミュレーション、SLAMベンチマークデータセット、地上ロボットを用いて収集された屋外データセットの挑戦において、Kimera-Multiを実証した。
  論文  参考訳（メタデータ） (2021-06-28T03:56:40Z)
• Self-Improving Semantic Perception on a Construction Robot [6.823936426747797]
  本稿では,ロボット上でセマンティクスモデルが継続的に更新され,展開環境に適応するフレームワークを提案する。 そこで本システムは,マルチセンサ知覚と局所化を密結合し,自己教師付き擬似ラベルから継続的に学習する。
  論文  参考訳（メタデータ） (2021-05-04T16:06:12Z)

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。