論文の概要: TASG-Explore: Traversability-Aware Sector-Guided Exploration for Ground Robot on Uneven Terrain
- arxiv url: http://arxiv.org/abs/2609.08512v1
- Date: Tue, 08 Sep 2026 09:58:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-11 16:21:39.127571
- Title: TASG-Explore: Traversability-Aware Sector-Guided Exploration for Ground Robot on Uneven Terrain
- Title（参考訳）: TASG-Explore:不均一地における地上ロボットの走行性を考慮したセクター誘導探査
- Abstract要約: TASG-Exploreは、地上ロボットのためのトラバーサビリティ対応のセクター誘導探査フレームワークである。
まず、可変ボクセルグラウンドフィッティングと適応8ビット障害物符号化を用いた階層的トラバーサビリティ解析を行う。
セクター誘導プランナーは、地域目標を選択し、ローカル視点を挿入して効率的な探索経路を生成する。
- 参考スコア（独自算出の注目度）: 20.259150956128746
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Autonomous exploration on uneven terrain requires ground robots to balance exploration efficiency, coverage completeness, and terrain safety. Detailed tsrrain reasoning improves local reliability but can slow large-scale exploration, whereas coarse region guidance expands quickly in open areas but can miss narrow passages and irregular traversable boundaries. To address this challenge, this paper presents TASG-Explore, a traversability-aware sector-guided exploration framework for ground robots. The framework first performs hierarchical traversability analysis using variable-voxel ground fitting and adaptive 8-bit obstacle encoding. It then splitting cost map into sectors, incrementally updates sector clusters, extracts terrain-coupled frontier viewpoints, and maintains a dynamic topological roadmap with unknown topological hypotheses. Finally, a sector-guided planner selects region targets and inserts local viewpoints to generate efficient exploration routes. Benchmark experiments in diverse challenging environments, including caves, forests, and rugged hills, show that TASG-Explore achieves the best overall performance among six representative state-of-the-art planners. The proposed traversability analysis improves processing efficiency by 6.3 times while maintaining high accuracy, and the exploration planner improves exploration efficiency by 51% and increases coverage by up to 2.95 times in rugged hill scene. Large-scale real-world experiments further demonstrate the practical value of the proposed method.
- Abstract（参考訳）: 不均一な地形での自律探査には、探査効率、網羅完全性、地形安全性のバランスをとるために地上ロボットが必要である。
詳細なtsrrain推論により、局所的な信頼性は向上するが、大規模な探索は遅くなる一方、粗い地域誘導はオープンエリアで急速に拡大するが、狭い通路や不規則な移動可能な境界を見逃す可能性がある。
この課題に対処するために,地上ロボットのためのトラバーサビリティを意識したセクター誘導探索フレームワークであるTASG-Exploreを提案する。
このフレームワークは、まず可変ボクセルグラウンドフィッティングと適応8ビット障害物符号化を用いて階層的トラバーサビリティ解析を行う。
その後、コストマップをセクターに分割し、セクタークラスタを漸進的に更新し、地形に結合したフロンティア視点を抽出し、未知の位相仮説を持つ動的トポロジカルロードマップを維持する。
最後に、セクター誘導プランナーが地域目標を選択し、地域視点を挿入して効率的な探索経路を生成する。
TASG-Exploreは、洞窟、森林、険しい丘陵などの様々な挑戦的な環境におけるベンチマーク実験により、最先端の6人のプランナーの中で、最高の総合的なパフォーマンスを達成していることを示している。
提案したトラバーサビリティ解析は,高い精度を維持しながら処理効率を6.3倍改善し,探索プランナは探索効率を51%向上し,岩場では2.95倍のカバレッジ向上を実現した。
大規模実世界の実験により,提案手法の実用的価値がさらに示された。
関連論文リスト
- DESCENT: Directed Edge Scene Encoding for Airport Surface Movement Prediction [54.94692733670454]
DESCENTは変圧器ベースのアーキテクチャで、不均一な力学と厳密なトポロジ的制約を扱うように設計されている。
本手法は,飛行場環境コンテキストを適応的に収集する,潜在的到達性セット(PRS)コンテキストサンプリング機構を備えている。
Amelia-10ベンチマークによる評価では,最先端のベースラインよりも大幅な性能向上が見られた。
論文 参考訳（メタデータ） (2026-08-26T16:49:50Z) - RAEM: Robust Autonomous Exploration for Multi-Floor Environments with a Quadruped Robot [41.3871843269565]
RAEMは、マルチフロア環境で動作する四足ロボットのための堅牢な自律探査フレームワークである。
登山時の急激なヨーの変動を低減するため,階段中央アライメント戦略を導入する。
論文 参考訳（メタデータ） (2026-08-26T04:40:34Z) - Semantic-Aware Autonomous Exploration for UAVs in Unknown Indoor Environments [2.379911867541422]
本稿では,ロードマップに基づく探索戦略に意味情報を追加する意味認識探索フレームワークを提案する。
意味のあるオブジェクトや構造を含む領域を優先するためにセマンティック報酬関数が導入され、UAVはより高い情報値を持つ領域に集中することができる。
複数のシミュレーション環境における実験結果から,提案手法は90%から94%の探査範囲を達成できることが示された。
論文 参考訳（メタデータ） (2026-06-21T21:07:40Z) - GLEAM: Learning Generalizable Exploration Policy for Active Mapping in Complex 3D Indoor Scenes [48.655377892842154]
複雑な未知環境における一般化可能なアクティブマッピングは、移動ロボットにとって重要な課題である。
我々は、アクティブマッピングのための統一的な一般化可能な探索ポリシーであるGLEAMを紹介する。
最先端の手法を大きく上回り、66.50%のカバレッジ(+9.49%)を効率の良い軌道で達成し、128の複雑なシーンでのマッピング精度を改善した。
論文 参考訳（メタデータ） (2025-05-26T17:59:52Z) - Mapping at First Sense: A Lightweight Neural Network-Based Indoor Structures Prediction Method for Robot Autonomous Exploration [3.748837981719551]
ファーストセンスでのマッピング(英: Mapping at First Sense)は、ローカルマップの未観測領域を予測する、軽量なニューラルネットワークベースのアプローチである。
SenseMapNetは、畳み込みとトランスフォーマーベースのアーキテクチャを統合して、隠された領域を推論する。
SenseMapNet の SSIM は 0.78 ,LPIPS は 0.68 ,FID は 239.79 である。
論文 参考訳（メタデータ） (2025-04-05T05:19:09Z) - 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) - OTO Planner: An Efficient Only Travelling Once Exploration Planner for Complex and Unknown Environments [6.128246045267511]
オンリートラベル・ワン・プランナー」は複雑な環境下で繰り返し経路を減少させる効率的な探索プランナーである。
高速フロンティア更新、視点評価、視点改善が含まれる。
探査時間と移動距離を10%から20%削減し、フロンティア検出の速度を6～9倍向上させる。
論文 参考訳（メタデータ） (2024-06-11T14:23:48Z) - TopoNav: Topological Navigation for Efficient Exploration in Sparse Reward Environments [0.6597195879147555]
TopoNavは、スパース・リワード設定における効率的な目標指向の探索とナビゲーションのための新しいフレームワークである。
TopoNavは環境のトポロジカルマップを動的に構築し、主要な場所と経路をキャプチャする。
本研究では,Clearpath Jackalロボットを用いて,シミュレーションと実世界のオフロード環境におけるTopoNavの評価を行った。
論文 参考訳（メタデータ） (2024-02-06T15:05:25Z) - Incremental 3D Scene Completion for Safe and Efficient Exploration
Mapping and Planning [60.599223456298915]
本研究では,情報,安全,解釈可能な地図作成と計画に3次元シーン補完を活用することによって,深層学習を探索に統合する新しい手法を提案する。
本手法は,地図の精度を最小限に抑えることで,ベースラインに比べて環境のカバレッジを73%高速化できることを示す。
最終地図にシーン完了が含まれていなくても、ロボットがより情報的な経路を選択するように誘導し、ロボットのセンサーでシーンの測定を35%高速化できることが示される。
論文 参考訳（メタデータ） (2022-08-17T14:19:33Z) - SRRT: Exploring Search Region Regulation for Visual Object Tracking [58.68120400180216]
探索領域規則追跡(SRRT)と呼ばれる新しい追跡パラダイムを提案する。
SRRTでは,各フレームに対して最適な探索領域を動的に推定するために,提案された探索領域レギュレータを適用している。
大規模なLaSOTベンチマークでは、SRRTはSiamRPN++とTransTをAUCの4.6%と3.1%で改善した。
論文 参考訳（メタデータ） (2022-07-10T11:18:26Z) - 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。