論文の概要: MANTLE: A Framework for Adaptive In-Situ Planetary Perception Using a Modular Uplink Principle

• arxiv url: http://arxiv.org/abs/2608.28724v1
• Date: Fri, 28 Aug 2026 16:00:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:30.733008
• Title: MANTLE: A Framework for Adaptive In-Situ Planetary Perception Using a Modular Uplink Principle
• Title（参考訳）: MANTLE: モジュールアップリンク原理を用いた適応型惑星認識フレームワーク
• Abstract要約: 本稿では,地形と地形抽出のためのマルチタスク適応ネットワークであるMANTLEについて述べる。 MANTLEの重要な利点はモジュラー設計であり、モジュラーアップリンク原則として形式化されている。 この研究は、ミッションの生前に多くのものをサポートするために構築されたフレームワークの初期実現として、地形分類とボルダーセグメンテーションという2つの高いインパクト能力を示す。
• 参考スコア（独自算出の注目度）: 0.118995786931709
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Planetary surface exploration missions rely increasingly on autonomous robotic platforms capable of interpreting complex terrain to ensure safe navigation, enable targeted science, and improve operational efficiency, as demonstrated across past Mars missions from Viking through Perseverance. Among the key perception capabilities, landform classification provides contextual information for landing site selection and scientific analysis, while boulder segmentation supports hazard assessment and path planning. This paper presents MANTLE, a multi-task adaptive network for terrain and landform extraction. The model uses a shared DINOv2 backbone for high-level feature extraction with task-specific heads: a classification head for large-scale landform classification, and a segmentation head for pixel-wise boulder localization, each trained on curated datasets built respectively from HiRISE orbital imagery and MSL surface-level imagery. The classification head achieved a test accuracy of 92.56% across seven Martian terrain classes, while the segmentation head achieved a validation IoU of 0.753 and showed strong cross-sol generalization on a held-out test set from previously unseen rover traverses. A key advantage of MANTLE is its modular, extensible design, formalized here as the Modular Uplink Principle: only a shared, frozen backbone needs to remain onboard, while subsequent perception capabilities are trained on Earth as lightweight task-specific heads and uplinked without retraining the full model. This work demonstrates two such high-impact capabilities, terrain classification and boulder segmentation, as an initial realization of a framework built to support many more over a mission's lifetime. With this foundation, future explorers need not arrive on Mars fully formed, but can continue to learn, adapt, and grow more capable with every uplink.
• Abstract（参考訳）: 惑星表面探査ミッションは、複雑な地形を解釈し、安全な航行を保証し、ターゲット科学を有効化し、運用効率を向上させることができる自律型ロボットプラットフォームにますます依存している。 重要な認識能力の中で、地形分類は着陸地点の選択と科学的分析のための文脈情報を提供するが、岩のセグメンテーションはハザードアセスメントとパスプランニングをサポートする。 本稿では,地形と地形抽出のためのマルチタスク適応ネットワークであるMANTLEについて述べる。 このモデルはDINOv2のバックボーンをタスク固有の頭部で高レベルの特徴抽出に使用しており、大規模な地形分類のための分類ヘッドと、HiRISE軌道画像とMSL表面画像からそれぞれ構築されたキュレートデータセットに基づいて、画素単位の岩盤位置決めのためのセグメンテーションヘッドである。 分類ヘッドは火星の7つの地形クラスで92.56%の精度を達成し、セグメンテーションヘッドは0.753の検証IoUを達成した。 MANTLEの主な利点はモジュラーで拡張可能な設計であり、モジュラー・アップリンク・原則として形式化されている:共有された冷凍されたバックボーンだけが搭載される必要があるが、その後の知覚能力は軽量なタスク専用ヘッドとして地球上で訓練され、完全なモデルを再訓練することなくアップリンクされる。 この研究は、ミッションの生前に多くのものをサポートするために構築されたフレームワークの初期実現として、地形分類とボルダーセグメンテーションという2つの高いインパクト能力を示す。 この基盤により、将来の探検家は火星に完全に形成される必要はないが、すべてのアップリンクで学習し、適応し、成長し続けることができる。

関連論文リスト

• Global-Local Contextual Progressive Expansion Network for Martian Landslide Segmentation in Multimodal Remote Sensing Imagery [7.778724782015986]
  本研究では,火星地すべりセグメンテーションの深層学習能力について検討する。 コンテクストプログレッシブ・レイヤ拡張機能抽出とコンテクスト推論を併用したU字型ネットワークであるTransCPLESを提案する。 7バンドのマルチモーダル火星地すべりデータセットであるMMLSv2の実験は、TransCPLESが全体的なパフォーマンスを最高のものにしていることを示している。
  論文  参考訳（メタデータ） (2026-09-11T09:24:53Z)
• TagaVLM: Topology-Aware Global Action Reasoning for Vision-Language Navigation [70.23578202012048]
  Vision-Language Navigation (VLN) は、アーキテクチャ上のミスマッチのため、大きなビジョン-Language Models (VLM) に固有の課題を提示している。 我々は,VLMのバックボーンにトポロジ構造を明示的に注入するエンドツーエンドフレームワークであるTagaVLM(トポロジ・アウェア・グローバルアクション推論)を提案する。 トポロジ的ノード情報を強化するため、Interleaved Navigation Promptはノードレベルのビジュアルテキストアライメントを強化する。 埋め込みトポロジグラフでは、このモデルはグローバルな行動推論が可能であり、堅牢な経路補正を可能にする。
  論文  参考訳（メタデータ） (2026-03-03T13:28:07Z)
• Vision Foundation Models for Domain Generalisable Cross-View Localisation in Planetary Ground-Aerial Robotic Teams [15.147723721875456]
  我々は、機械学習を用いて、限られた視野の単眼の地上RGB画像を入力として、局所的な空域マップに自分自身をローカライズするローバーについて検討する。 機械学習手法における重要な考慮事項は、トレーニングに適した接地位置ラベルを持つ実空間データが不足していることである。 クロスビュー・ローカライズされたデュアルエンコーダディープニューラルネットワークを用いた空中地図におけるローバーのローカライズ手法を提案する。
  論文  参考訳（メタデータ） (2026-01-14T03:11:05Z)
• Move to Understand a 3D Scene: Bridging Visual Grounding and Exploration for Efficient and Versatile Embodied Navigation [54.04601077224252]
  身近なシーン理解には、視覚空間情報の理解だけでなく、3D物理世界における次の探索場所の決定も必要である。 アンダーラインテキストbf3D視覚言語学習は、エンボディエージェントが環境を効果的に探索し理解することを可能にする。 モデルの汎用性は、カテゴリ、言語記述、参照イメージなど、多様な入力モダリティを使ったナビゲーションを可能にする。
  論文  参考訳（メタデータ） (2025-07-05T14:15:52Z)
• TerraFM: A Scalable Foundation Model for Unified Multisensor Earth Observation [65.74990259650984]
  本研究では,グローバルに分散したSentinel-1とSentinel-2画像を利用する,スケーラブルな自己教師型学習モデルTerraFMを紹介する。 我々のトレーニング戦略は、局所的・言語的コントラスト学習を統合し、二重中心化機構を導入する。 TerraFMは分類タスクとセグメンテーションタスクの両方において強力な一般化を実現し、GEO-BenchとCopernicus-Benchの先行モデルよりも優れている。
  論文  参考訳（メタデータ） (2025-06-06T17:59:50Z)
• Federated Multi-Agent Mapping for Planetary Exploration [0.4143603294943439]
  本稿では,エージェント間のグローバルマップモデルを生データを送信することなく,協調的にトレーニングするフェデレーション型マルチエージェントマッピング手法を提案する。 提案手法は暗黙的ニューラルマッピングを利用してパシモニアスで適応可能な表現を生成し,生のマップと比較して最大93.8%のデータを伝送する。 我々は,火星の地形や氷河のデータセットに対するアプローチの有効性を実証し,F1スコアを0.95ポイントまで下方経路計画を達成するとともに,地図の復元損失に勝る結果を得た。
  論文  参考訳（メタデータ） (2024-04-02T20:32:32Z)
• Mixed-domain Training Improves Multi-Mission Terrain Segmentation [0.9566312408744931]
  現在の火星の地形区分モデルは、異なる領域にまたがる配置のために再訓練を必要とする。 本研究では,火星表面のマルチミッションセマンティックセマンティックセグメンテーションのために,バックボーンの教師なしコントラスト事前学習を利用する半教師付き学習手法を提案する。
  論文  参考訳（メタデータ） (2022-09-27T20:25:24Z)
• S$^{5}$Mars: Semi-Supervised Learning for Mars Semantic Segmentation [18.92602724896845]
  火星のセマンティックセグメンテーションは、ローバーの自律計画と安全な運転の基盤である重要な火星ビジョンタスクである。 優れたモデルを得るためには、ほとんどのディープラーニングメソッドが正確に要求する、十分な詳細かつ高信頼のデータアノテーションが欠如している。 本稿では,共同データと手法設計の観点からその解決策を提案する。 実験結果から,本手法は最先端のSSL手法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） (2022-07-04T05:03:10Z)
• Embedding Earth: Self-supervised contrastive pre-training for dense land cover classification [61.44538721707377]
  本研究では,衛星画像の高可用性を活用するための自己監督型コントラスト事前学習法として,エンベディングアースを提案する。 提案手法による事前学習では, 25%の絶対mIoUが得られた。 学習した特徴は、異なる領域間で一般化され、提案した事前学習スキームの可能性を開放する。
  論文  参考訳（メタデータ） (2022-03-11T16:14:14Z)
• Landmark Policy Optimization for Object Navigation Task [77.34726150561087]
  本研究は,未確認環境において,与えられたセマンティックカテゴリに関連する最も近いオブジェクトにナビゲートするオブジェクトゴールナビゲーションタスクについて研究する。 最近の研究は、エンドツーエンドの強化学習アプローチとモジュールシステムの両方において大きな成果を上げていますが、堅牢で最適なものにするには大きな前進が必要です。 本稿では,これらのランドマークを抽出する手法として,標準的なタスクの定式化とランドマークとしての付加的な地域知識を取り入れた階層的手法を提案する。
  論文  参考訳（メタデータ） (2021-09-17T12:28:46Z)
• Towards Robust Monocular Visual Odometry for Flying Robots on Planetary Missions [49.79068659889639]
  火星に着陸したばかりのIngenuityは、トラバーサビリティの影響を受けない新時代の探検の始まりとなるでしょう。 高速な光フロートラッキングを用いた高能率単分子オードメトリーアルゴリズムを提案する。 また、相対翻訳情報行列の主成分分析に基づいて、スケールドリフトの現在のリスクを推定する新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-09-12T12:52:20Z)
• Learning to Move with Affordance Maps [57.198806691838364]
  物理的な空間を自律的に探索し、ナビゲートする能力は、事実上あらゆる移動型自律エージェントの基本的な要件である。 従来のSLAMベースの探索とナビゲーションのアプローチは、主にシーン幾何学の活用に重点を置いている。 学習可能な余剰マップは探索と航法の両方において従来のアプローチの強化に利用でき、性能が大幅に向上することを示します。
  論文  参考訳（メタデータ） (2020-01-08T04:05:11Z)

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。