論文の概要: Receding-Horizon Next-Best-View Planner for Autonomous Leaf Surface Reconstruction

• arxiv url: http://arxiv.org/abs/2607.28995v1
• Date: Fri, 31 Jul 2026 03:45:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-03 14:29:40.584511
• Title: Receding-Horizon Next-Best-View Planner for Autonomous Leaf Surface Reconstruction
• Title（参考訳）: 自動葉面再構築のための回帰水平次ベストビュープランナ
• Authors: Arif Ahmed, Sajal K. Das, Parikshit Maini,
• Abstract要約: 本研究では,旅行制約下での葉面復元のためのNBV計画について検討する。 我々は,観測点の空間分布を測定するCentroid-based Information Gain関数を開発した。 提案手法は, 面再構成誤差を連続的に低減し, 複数の成長段階における幾何学的忠実度を向上させる。
• 参考スコア（独自算出の注目度）: 6.699826218138504
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate plant leaf modeling is fundamental to downstream tasks such as plant growth monitoring, and phenotyping for yield estimation. Autonomous robotic reconstruction for large-scale field deployment must address limitations on robot planning budget and computation resources while optimizing viewpoint utility for leaf surface reconstruction. Existing approaches either focus on rigid objects, point-cloud coverage or plant reconstruction without fully addressing the system limitations or exploiting task-driven point cloud utility. In this work, we study next-best-view (NBV) planning for leaf surface reconstruction under travel constraints. We develop a novel Centroid-based Information Gain (CIG) function that measures the spatial distribution of observed points relative to the centroid of the existing point cloud to compute viewpoint utility. We also develop a receding-horizon variant that reasons over future viewpoints. To benchmark our work, we use the LAST-STRAW [1] public dataset that includes point clouds of strawberry plants over different growth stages and compare our method with attention-driven NBV [2] that uses a visibility-based information gain approach. The proposed receding-horizon approach consistently reduces surface reconstruction error and improves geometric fidelity across multiple growth stages, especially under increased inter-leaf occlusion. Results demonstrate that our approach is able to visit viewpoints that reduce surface reconstruction error and improves reconstruc-tion accuracy as compared to the baseline by upto 10%.
• Abstract（参考訳）: 正確な植物葉のモデリングは、植物の成長モニタリングや収量推定のための表現型化といった下流のタスクに不可欠である。 大規模フィールド展開のための自律型ロボット再構成は、葉面再構築のための視点ユーティリティを最適化しながら、ロボット計画予算と計算資源の制限に対処する必要がある。 既存のアプローチでは、システムの制限を完全に解決することなく、厳格なオブジェクト、ポイントクラウドカバレッジ、あるいはプラント再構築にフォーカスするか、タスク駆動のポイントクラウドユーティリティを利用する。 本研究では,旅行制約下での葉面復元のためのNBV計画について検討する。 我々は,既存の点雲の遠心点に対する観測点の空間分布を計測し,視点ユーティリティを計算する,CIG(Centroid-based Information Gain)関数を開発した。 我々はまた、将来の視点を理由とする後退水平変種も開発する。 LAST-STRAW [1] 公開データセットは,成長段階の異なるイチゴの点群を含むもので,この手法を可視性に基づく情報ゲインアプローチを用いた注意駆動型NBV [2] と比較する。 提案手法は, 面再構成誤差を連続的に低減し, 複数の成長段階, 特に葉間閉塞の増加下で幾何学的忠実度を向上させる。 その結果, 提案手法は, 表面再構成誤差を低減し, 基準線に対して最大10%の精度で再構成精度を向上させることができることがわかった。

関連論文リスト

• Z-FLoc: Zero-Shot Floorplan Localization via Geometric Primitives [72.63181031215858]
  そこで本研究では,ゼロショットフロアプランのローカライズ手法を提案する。 我々の重要な洞察は、支配的な幾何学的プリミティブが人間が作った環境でユビキタスであることである。 シミュレーションと実世界の両方のデータセットの実験により、我々のアプローチは、目に見えない環境における最先端の学習ベースの手法よりも優れています。
  論文  参考訳（メタデータ） (2026-06-03T12:14:24Z)
• StepVAR: Structure-Texture Guided Pruning for Visual Autoregressive Models [98.72926158261937]
  本稿では,Visual AutoRegressive モデルのためのトレーニングフリートークン解析フレームワークを提案する。 我々は局所的なテクスチャの詳細を捉えるために軽量なハイパスフィルタを使用し、グローバルな構造情報を保存するために主成分分析(PCA)を活用している。 スパーストークンの下で有効な次世代の予測を維持するために,近接した特徴伝達戦略を導入する。
  論文  参考訳（メタデータ） (2026-03-02T11:35:05Z)
• PCE-GAN: A Generative Adversarial Network for Point Cloud Attribute Quality Enhancement based on Optimal Transport [56.56430888985025]
  点雲品質向上のための生成逆ネットワーク(PCE-GAN)を提案する。 ジェネレータは、局所特徴抽出(LFE)ユニット、大域空間相関(GSC)ユニット、特徴圧縮ユニットからなる。 判別器は、強化点雲と原点雲の確率分布のずれを計算し、ジェネレータを誘導して高品質な再構成を実現する。
  論文  参考訳（メタデータ） (2025-02-26T07:34:33Z)
• PVP-Recon: Progressive View Planning via Warping Consistency for Sparse-View Surface Reconstruction [49.7580491592023]
  PVP-Recon, 新規かつ効果的なスパースビュー表面再構成法を提案する。 PVP-Reconは3つのビューで初期表面の再構築を開始し、徐々に新しいビューを追加する。 このプログレッシブビュー計画の進捗は、神経SDFベースの再構築モジュールによってインターリーブされる。
  論文  参考訳（メタデータ） (2024-09-09T10:06:34Z)
• ProvNeRF: Modeling per Point Provenance in NeRFs as a Stochastic Field [52.09661042881063]
  テキストフィールドとしてNeRFのbfprovenance(可視な位置)をモデル化する手法を提案する。 我々は、NeRF最適化におけるポイントごとの精度のモデリングにより、新しいビュー合成と不確実性推定の改善につながる情報により、モデルが強化されることを示す。
  論文  参考訳（メタデータ） (2024-01-16T06:19:18Z)
• Gradient-based Local Next-best-view Planning for Improved Perception of Targeted Plant Nodes [0.0]
  我々はこの問題をNBV計画タスクとして定式化する。 我々の定式化は、カットされる確率を最大化するために単一の目標ノードの認識精度を迅速に向上することに焦点を当てている。 本稿では, 局所勾配方向を直接推定するディファレンシャルレイサンプリングを用いた勾配型NBVプランナを提案する。
  論文  参考訳（メタデータ） (2023-11-28T13:02:33Z)
• LoLep: Single-View View Synthesis with Locally-Learned Planes and Self-Attention Occlusion Inference [66.45326873274908]
  本稿では,1枚のRGB画像から局所学習平面を回帰してシーンを正確に表現するLoLepを提案する。 MINEと比較して、LPIPSは4.8%-9.0%、RVは73.9%-83.5%である。
  論文  参考訳（メタデータ） (2023-07-23T03:38:55Z)
• Semantic segmentation of sparse irregular point clouds for leaf/wood discrimination [1.4499463058550683]
  本稿では,点幾何学のみを利用するPointnet ++アーキテクチャに基づくニューラルネットワークモデルを提案する。 我々のモデルは、UAVポイントクラウドにおける最先端の代替品よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-05-26T14:19:17Z)
• NBV-SC: Next Best View Planning based on Shape Completion for Fruit Mapping and Reconstruction [11.45602594277673]
  本稿では,予測された果実の形状に関する情報を明示的に利用して,対象とする視点を計算する新しい視点計画手法を提案する。 また, 市販のガラスハウスにおいて, 本物のロボットシステムによる甘辛料のマッピングが実現可能であることを示す。
  論文  参考訳（メタデータ） (2022-09-30T11:09:54Z)

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。