論文の概要: AirAlign: Geometry-Aware Relative Pose Alignment for UAV Last-Meter Navigation
- arxiv url: http://arxiv.org/abs/2608.21926v1
- Date: Sat, 22 Aug 2026 11:32:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-25 18:24:36.936633
- Title: AirAlign: Geometry-Aware Relative Pose Alignment for UAV Last-Meter Navigation
- Title（参考訳）: AirAlign:UAVラストメータナビゲーションのための幾何学的相対関数アライメント
- Abstract要約: AirAlignは、UAVのためのRGBのみの画像対相対ポーズアライメントのためのフレームワークである。
AirAlignは、トレーニング済みの視覚的幾何再構成モデルをバックボーンとして使用している。
PairUAVチャレンジの実験は,本手法の有効性とロバスト性を示した。
- 参考スコア（独自算出の注目度）: 20.21278599561095
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Unmanned aerial vehicle (UAV) navigation in modern low-altitude environments requires more accurate pose alignment in the final approach stage for target information acquisition or manipulation, making "last-meter" navigation increasingly important. However, severe viewpoint and appearance variations make this task challenging. To tackle this problem, we propose AirAlign, a framework for RGB-only image-pair relative pose alignment for UAVs. AirAlign uses a pretrained visual geometry reconstruction model as the backbone to extract geometry-aware features from source-target image pairs. In addition, to better utilize the limited training data, we split the training set into multiple scene-disjoint folds for unseen cross-validation and model selection. During inference, the predictions of the selected models are averaged to form the ensemble output of the overall framework. Experiments on the PairUAV challenge at the ACMMM 2026 Workshop on UAVs in Multimedia demonstrate the effectiveness and robustness of our method, while comprehensive ablation studies validate the contribution of each component.
- Abstract（参考訳）: 現代の低高度環境での無人航空機(UAV)航法は、目標情報取得や操作のための最終アプローチ段階においてより正確なポーズアライメントを必要とするため、"ラストメーター"航法がますます重要になる。
しかし、厳しい視点と外観の変化は、この課題を困難にしている。
この問題に対処するために,RGBのみの画像対相対ポーズアライメントのためのフレームワークであるAirAlignを提案する。
AirAlignは、トレーニング済みの視覚的幾何再構成モデルをバックボーンとして使用し、ソースとターゲットのイメージペアから幾何学的特徴を抽出する。
さらに,限られたトレーニングデータをよりよく活用するために,トレーニングセットを複数のシーン分離フォルダに分割し,クロスバリデーションとモデル選択を行った。
推論中、選択したモデルの予測を平均化し、全体のフレームワークのアンサンブル出力を形成する。
ACMMM 2026 UAVs in Multimedia ワークショップにおける PairUAV チャレンジ実験は,本手法の有効性とロバスト性を示し,包括的アブレーション研究は各コンポーネントの寄与を検証した。
関連論文リスト
- Last-Meter Precision Navigation for UAVs: A Diffusion-Refined Aerial Visual Servoing Approach [18.42619895752036]
UAVの高精度ナビゲーションは、スケールのあいまいさ、回転の不連続性、微粒な空間推論の必要性により困難である。
広帯域拡散精細空中サーボフレームワークDreamNavを提案する。
実験では、DreamNavは強力なビジュアルサーボと基礎モデルベースラインを精度と一般化で上回り、ゼロショットは見えないシーンに転送される。
論文 参考訳（メタデータ） (2026-07-05T15:16:44Z) - AerialMetric: Benchmarking and Adapting UAV Monocular Metric Depth Estimation in the Real World [75.54693105865003]
AerialMetricは,UAV空中視点下での単分子メートル法深度推定の適応性を評価するためのベンチマークデータセットである。
AerialMetricは、52Kの現実世界と16Kの合成画像深度対を信頼できる計量基底真理で提供する。
論文 参考訳（メタデータ） (2026-06-29T02:48:47Z) - SpatialUAV: Benchmarking Spatial Intelligence for Low-Altitude UAV Perception, Collaboration, and Motion [76.8430169655641]
空間知能は、低高度無人航空機(UAV)の認識、協調、航行に不可欠である。
本研究では,実際の低高度UAVベンチマークであるSpatialUAVを紹介した。
現状のモデルは, クロスビュー・アソシエーション, 構造的グラウンドリング, 幾何学的推論, 時間的視点理解において, 明らかなボトルネックを伴って, 人間のレベル・パフォーマンスから遠ざかっていることを示す。
論文 参考訳（メタデータ） (2026-06-26T09:16:55Z) - Unifying UAV Cross-View Geo-Localization via 3D Geometric Perception [51.687842983240564]
無人航空機(UAV)のクロスビューな地上局地化は、斜めのUAV画像と衛星地図との厳密な幾何学的相違により、いまだに困難である。
本稿では,3次元シーン形状を明示的にモデル化し,粗い位置認識ときめ細かなポーズ推定を統一する,幾何認識型UAV測位フレームワークを提案する。
提案手法は, 最先端のベースラインを著しく上回り, ロバストメータレベルのローカライゼーション精度を実現し, 複雑な都市環境における一般化を向上する。
論文 参考訳（メタデータ） (2026-04-02T08:08:41Z) - Beyond Matching to Tiles: Bridging Unaligned Aerial and Satellite Views for Vision-Only UAV Navigation [51.286599397552756]
本稿では,UAVの絶対位置と近距離からの進路を共同で予測する視覚駆動型クロスビューナビゲーション手法であるBering-UAVを提案する。
我々はまた、クロスビューのローカライゼーションとナビゲーションを評価するベンチマークである Bearing-UAV-90k も提示する。
論文 参考訳（メタデータ） (2026-03-23T16:17:39Z) - Aerial Vision-Language Navigation with a Unified Framework for Spatial, Temporal and Embodied Reasoning [5.517595398768408]
本稿では,エゴ単分子RGB観測と自然言語命令のみで動作する航空VLNフレームワークを提案する。
このタスクは、低高度検査、サーチ・アンド・レスキュー、自律型空中輸送といった現実世界のアプリケーションに対して約束される。
論文 参考訳（メタデータ） (2025-12-09T14:25:24Z) - UAV-DETR: Efficient End-to-End Object Detection for Unmanned Aerial Vehicle Imagery [14.599037804047724]
無人航空機物体検出(UAV-OD)は様々なシナリオで広く用いられている。
既存のUAV-ODアルゴリズムの多くは手動で設計したコンポーネントに依存しており、広範囲なチューニングを必要とする。
本稿では,UAV画像に適した効率的な検出変換器(DETR)フレームワークを提案する。
論文 参考訳（メタデータ） (2025-01-03T15:11:14Z) - SOOD++: Leveraging Unlabeled Data to Boost Oriented Object Detection [68.18620488664187]
本稿では,SOOD++ と呼ばれる簡易かつ効果的な半教師付きオブジェクト指向検出手法を提案する。
具体的には、空中画像からの物体は、通常任意の向き、小さなスケール、密度分布を持つ。
各種ラベル付き環境下での多目的対象物に対する大規模な実験により,本手法の有効性が示された。
論文 参考訳（メタデータ） (2024-07-01T07:03:51Z) - CROVIA: Seeing Drone Scenes from Car Perspective via Cross-View
Adaptation [20.476683921252867]
道路車両の視界から得られた知識をUAVの視界に適応させる新しいCROVIA(Cross-View Adaptation)アプローチを提案する。
まず、ビュー間の幾何学的相関に基づいて、クロスビュー適応に対する新しい幾何学的制約を導入する。
第2に、画像空間からのクロスビュー相関を、ペアオンロードとUAVのビューデータを必要としないセグメンテーション空間に効果的に転送する。
論文 参考訳（メタデータ） (2023-04-14T15:20:40Z) - Geometric-aware Pretraining for Vision-centric 3D Object Detection [77.7979088689944]
GAPretrainと呼ばれる新しい幾何学的事前学習フレームワークを提案する。
GAPretrainは、複数の最先端検出器に柔軟に適用可能なプラグアンドプレイソリューションとして機能する。
BEVFormer法を用いて, nuScenes val の 46.2 mAP と 55.5 NDS を実現し, それぞれ 2.7 と 2.1 点を得た。
論文 参考訳（メタデータ） (2023-04-06T14:33:05Z) - Towards Scale Consistent Monocular Visual Odometry by Learning from the
Virtual World [83.36195426897768]
仮想データから絶対スケールを取得するための新しいフレームワークであるVRVOを提案する。
まず、モノクロ実画像とステレオ仮想データの両方を用いて、スケール対応の異種ネットワークをトレーニングする。
結果として生じるスケール一貫性の相違は、直接VOシステムと統合される。
論文 参考訳（メタデータ） (2022-03-11T01:51:54Z)
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。