論文の概要: Distilling Global Traversability Priors for Image-based Affordance Prediction in Off-road Environments

• arxiv url: http://arxiv.org/abs/2607.17984v1
• Date: Mon, 20 Jul 2026 14:16:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.656192
• Title: Distilling Global Traversability Priors for Image-based Affordance Prediction in Off-road Environments
• Title（参考訳）: オフロード環境における画像ベースアフォーマンス予測のためのグローバルトラバータビリティ事前の蒸留
• Abstract要約: 非構造地形における自律ナビゲーションの標準的な手法は、長期のシナリオにおける筋電図的行動に起因している。 本研究では,FPV画像から直接,長距離走行可能なフロンティアを抽出することに注力する。 提案手法は,様々なオフラインベンチマークにおいて,既存手法に対する長距離オフロードナビゲーションの性能を10%以上向上させることを実証する。
• 参考スコア（独自算出の注目度）: 11.788562558317288
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Standard methods for autonomous navigation in unstructured terrain are prone to myopic behaviors in long-horizon scenarios. The use of metric maps built from LiDAR or cameras provides necessary local geometry and semantic information but is strictly limited by depth sensing range. By discarding data beyond the mapping horizon robots suffer from suboptimal, short-sighted decisions. To recover this lost information, we focus on extracting long-range traversability-aware frontiers directly from first-person-view (FPV) images. By leveraging satellite imagery, we compute the set of feasible navigation paths for a dataset of image/pose pairs and use them to supervise our network, reducing the need for extensive human demonstration data. We demonstrate that this approach improves performance in long-range off-road navigation over existing methods by more than 10% in various offline benchmarks and reduces the number of human interventions incurred in a set of real-world experiments. More details can be found at https://theairlab.org/ss_frontiers_iros .
• Abstract（参考訳）: 非構造地形における自律ナビゲーションの標準的な手法は、長期のシナリオにおける筋電図的行動に起因している。 LiDARやカメラから構築されたメートル法マップは、必要な局所幾何学や意味情報を提供するが、深度感知範囲によって厳密に制限されている。 マッピングの地平線を超えてデータを破棄することで、ロボットは最適な、近視的決定に苦しむ。 この失われた情報を回収するために、我々は、FPV画像から直接長距離移動性を考慮したフロンティアを抽出することに焦点をあてる。 衛星画像を活用することで、画像と場所のペアのデータセットの実行可能なナビゲーションパスのセットを計算し、それらをネットワークの監視に使用することにより、広範囲な人体デモデータの必要性を減らすことができる。 提案手法は,様々なオフラインベンチマークにおいて,既存手法に対する長距離オフロードナビゲーションの性能を10%以上向上し,実世界の実験で発生する人的介入の回数を削減できることを実証する。 詳細はhttps://theairlab.org/ss_frontiers_iros で確認できる。

関連論文リスト

• Spatial Retrieval Augmented Autonomous Driving [81.39665750557526]
  既存の自動運転システムは、環境認識のためのセンサーに頼っている。 本稿では,オフラインで取得した地理画像を付加入力として導入する空間検索パラダイムを提案する。 この新しい自動運転パラダイムのさらなる研究のために、データセットキュレーションコード、データ、ベンチマークをオープンソースにします。
  論文  参考訳（メタデータ） (2025-12-07T14:40:49Z)
• FOM-Nav: Frontier-Object Maps for Object Goal Navigation [65.76906445210112]
  FOM-Navはフロンティアオブジェクトマップと視覚言語モデルによる探索効率を高めるフレームワークである。 FOM-Navをトレーニングするために,実環境から大規模ナビゲーションデータセットを自動構築する。 FOM-NavはMP3DとHM3Dのベンチマーク、特にナビゲーション効率の指標SPLで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-11-30T18:16:09Z)
• SuperEx: Enhancing Indoor Mapping and Exploration using Non-Line-of-Sight Perception [4.882290104560518]
  本研究では,ロボット探査に非視線センシング(NLOS)を導入している。 我々は、隠れた物体の存在をエンコードする飛行時間ヒストグラムをキャプチャする単一光子LiDARを利用する。 我々は,NLOSセンシングを直接地図探索ループに統合するフレームワークであるSuperExを紹介する。
  論文  参考訳（メタデータ） (2025-10-12T08:52:20Z)
• CREStE: Scalable Mapless Navigation with Internet Scale Priors and Counterfactual Guidance [13.922655150502365]
  CREStEはスケーラブルな学習ベースのマップレスナビゲーションフレームワークである。 屋外都市航法におけるオープンワールドの一般化とロバストネスの課題に対処する。 CREStEは, 様々な都市, オフロード, 住宅環境において, キロスケールの地図レスナビゲーションの課題について評価する。
  論文  参考訳（メタデータ） (2025-03-05T21:42:46Z)
• FrontierNet: Learning Visual Cues to Explore [54.8265603996238]
  この研究は、3Dマップからゴールポーズを抽出する制限に対処するため、効率的な自律探索に2Dビジュアルキューを活用することを目的としている。 本稿では、FrontierNetをコアコンポーネントとする、視覚のみのフロンティアベースの探索システムを提案する。 提案手法は,既存の3次元目標抽出手法に代わるもので,早期探索効率の15%向上を実現している。
  論文  参考訳（メタデータ） (2025-01-08T16:25:32Z)
• Pixel to Elevation: Learning to Predict Elevation Maps at Long Range using Images for Autonomous Offroad Navigation [10.898724668444125]
  本稿では,車載エゴセントリック画像のみをリアルタイムに利用して,長距離の地形標高マップを予測できる学習型アプローチを提案する。 複雑で非構造的な地形における自律型オフロードロボットナビゲーションへの提案手法の適用性を実験的に検証した。
  論文  参考訳（メタデータ） (2024-01-30T22:37:24Z)
• OccNeRF: Advancing 3D Occupancy Prediction in LiDAR-Free Environments [77.0399450848749]
  本稿では,OccNeRF法を用いて,3次元監視なしで占有ネットワークを訓練する手法を提案する。 我々は、再構成された占有領域をパラメータ化し、サンプリング戦略を再編成し、カメラの無限知覚範囲に合わせる。 意味的占有予測のために,事前学習した開語彙2Dセグメンテーションモデルの出力をフィルタリングし,プロンプトを洗練するためのいくつかの戦略を設計する。
  論文  参考訳（メタデータ） (2023-12-14T18:58:52Z)
• URA*: Uncertainty-aware Path Planning using Image-based Aerial-to-Ground Traversability Estimation for Off-road Environments [4.826948318242962]
  本研究では,オフロード環境における自律走行のための航空画像を用いた不確実性を考慮した経路計画手法URA*を提案する。 提案するプランナーには,オンラインロボット操作時の迅速な再計画を可能にするリプランニング技術も組み込まれている。 その結果,提案手法は,初期経路の品質と実現可能性の観点から,従来の計画アルゴリズムよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-09-15T23:52:45Z)
• Monocular BEV Perception of Road Scenes via Front-to-Top View Projection [57.19891435386843]
  本稿では,鳥の目視で道路配置と車両占有率によって形成された局所地図を再構築する新しい枠組みを提案する。 我々のモデルは1つのGPU上で25FPSで動作し、リアルタイムパノラマHDマップの再構築に有効である。
  論文  参考訳（メタデータ） (2022-11-15T13:52:41Z)
• Cross-Camera Trajectories Help Person Retrieval in a Camera Network [124.65912458467643]
  既存の手法では、純粋な視覚的マッチングや時間的制約を考慮することが多いが、カメラネットワークの空間情報は無視する。 本稿では,時間的情報と空間的情報を統合したクロスカメラ生成に基づく歩行者検索フレームワークを提案する。 本手法の有効性を検証するため,最初のカメラ横断歩行者軌跡データセットを構築した。
  論文  参考訳（メタデータ） (2022-04-27T13:10:48Z)
• Adaptive Path Planning for UAVs for Multi-Resolution Semantic Segmentation [28.104584236205405]
  重要な課題は、大規模な環境で取得したデータの価値を最大化するミッションを計画することである。 これは例えば、農地のモニタリングに関係している。 本稿では,UAV経路に適応して高精細なセマンティックセマンティックセマンティクスを得るオンライン計画アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-03-03T11:03:28Z)
• Lifelong Topological Visual Navigation [16.41858724205884]
  本稿では,生涯ナビゲーション性能を時間とともに向上させるグラフ更新戦略を用いた学習型ビジュアルナビゲーション手法を提案する。 画像に基づくトポロジグラフを構築するためのサンプリングベースの計画アルゴリズムから着想を得た結果,スペーサーグラフはベースライン法に比べてナビゲーション性能が高い。 固定的なトレーニング環境から学習するコントローラとは異なり、ロボットが配置される実環境から比較的小さなデータセットを使ってモデルを微調整できることが示される。
  論文  参考訳（メタデータ） (2021-10-16T06:16:14Z)
• Occupancy Anticipation for Efficient Exploration and Navigation [97.17517060585875]
  そこで我々は,エージェントが自我中心のRGB-D観測を用いて,その占有状態を可視領域を超えて推定する,占有予測を提案する。 エゴセントリックなビューとトップダウンマップの両方でコンテキストを活用することで、私たちのモデルは環境のより広いマップを予測できます。 われわれのアプローチは、2020 Habitat PointNav Challengeの優勝だ。
  論文  参考訳（メタデータ） (2020-08-21T03:16:51Z)

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。