論文の概要: DreamSat-Bench: Development and Initial Testing of a Testbed for AI-Based Pose Estimation from 3D Reconstruction
- arxiv url: http://arxiv.org/abs/2609.14183v1
- Date: Sat, 12 Sep 2026 23:33:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 07:15:05.754487
- Title: DreamSat-Bench: Development and Initial Testing of a Testbed for AI-Based Pose Estimation from 3D Reconstruction
- Title（参考訳）: DreamSat-Bench:3次元再構成によるAIによる姿勢推定のためのテストベッドの開発と初期テスト
- Abstract要約: DreamSat-Benchは、AIベースの相対航法技術をベンチマークするために設計されたモジュール式ランデブーおよび近接操作テストベッドである。
DreamSat-Benchは、MuJoCo、Isaac Lab、LeRobotといった最先端のロボット学習ツールを単一のベンチマークプラットフォームに統合する。
我々は、単一のビュー3D再構成のための生成AIフレームワークであるDreamSatと、ゼロショット6-DoF追跡のためのFoundationPoseを組み合わせた、エンドツーエンドのビジョンベースのナビゲーションパイプラインをデモした。
- 参考スコア（独自算出の注目度）: 29.80975210573936
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: This paper presents the development and initial testing of DreamSat-Bench, a modular rendezvous and proximity operation testbed designed to benchmark AI-based relative navigation techniques. By integrating a software- and hardware-in-the-loop robotic pipeline, the platform enables a seamless transition from digital simulation to physical reality. DreamSat-Bench unifies state-of-the-art robotic learning tools such as MuJoCo, Isaac Lab, and LeRobot into a single benchmarking platform, utilizing robotic arms to trace 3D trajectories. The platform allows for extensive customization of orbital environments and lighting to evaluate the simulation-to-reality gap. We demonstrate the testbed's utility by evaluating an end-to-end vision-based navigation pipeline that pairs DreamSat, a generative AI framework for single-view 3D reconstruction, with FoundationPose for zero-shot 6-DoF tracking of unseen spacecraft. Initial testing explores mission-representative orbital segments, including fixed-point station-keeping and fly-around characterization. Through a series of parametric studies, we quantify the impacts of reconstruction latency, mesh resolution, orbital range, and illumination geometry on pose estimation accuracy. Finally, a preliminary hardware-in-the-loop campaign qualitatively validates the physical deployment of the pipeline, identifying target symmetry and accumulated tracking drift as critical factors for robust navigation. DreamSat-Bench provides a rigorous framework for maturing autonomous navigation with unprepared space assets in the absence of prior geometric models.
- Abstract（参考訳）: 本稿では,DreamSat-Benchの開発と初期テストについて述べる。DreamSat-Benchは,AIによる相対ナビゲーション手法のベンチマークを目的とした,モジュール型ランデブーと近接動作テストベッドである。
ソフトウェアとハードウェア・イン・ザ・ループのロボットパイプラインを統合することで、このプラットフォームはデジタルシミュレーションから物理的な現実へのシームレスな移行を可能にする。
DreamSat-Benchは、MuJoCo、Isaac Lab、LeRobotといった最先端のロボット学習ツールを単一のベンチマークプラットフォームに統合し、ロボットアームを使って3D軌道を辿る。
このプラットフォームは、軌道環境と照明の広範囲なカスタマイズを可能にし、シミュレーションと現実のギャップを評価する。
本研究では、単視点3D再構成のための生成AIフレームワークDreamSatと、ゼロショット6-DoF追跡のためのFoundationPoseとを組み合わせた、エンドツーエンドの視覚ベースのナビゲーションパイプラインを評価することで、テストベッドの有用性を実証する。
最初のテストでは、固定点のステーションキーピングやフライアラウンドのキャラクタリゼーションを含む、ミッションを表わす軌道セグメントを探索した。
一連のパラメトリック研究を通じて、ポーズ推定精度に対する再構成遅延、メッシュ分解能、軌道範囲、照明幾何学の影響を定量化する。
最後に、予備的なハードウェア・イン・ザ・ループのキャンペーンがパイプラインの物理的展開を質的に検証し、目標対称性を特定し、追跡ドリフトの蓄積をロバストナビゲーションの重要な要素とする。
DreamSat-Benchは、以前の幾何学的モデルがない状態で未準備の宇宙資産を持つ自律航法を成熟させるための厳格なフレームワークを提供する。
関連論文リスト
- Image2Sim: Scaling Embodied Navigation via Generative Neural Simulator [70.34667754804168]
Embodied Navigationは、マルチモーダルな目標を解釈し、3D空間を推論し、現実の世界で確実に目的地に到達するエージェントを構築することを目的としている。
本稿では,RGB-D画像シーケンスから高品質な対話環境を構築するリアルタイムニューラルネットワークフレームワークであるImage2Simを紹介する。
論文 参考訳（メタデータ） (2026-07-07T02:42:41Z) - Asset Harvester: Extracting 3D Assets from Autonomous Driving Logs for Simulation [63.01022057888141]
Asset Harvesterはイメージ・ツー・3Dモデルとエンドツーエンドのパイプラインで、実際の運転ログからスパース・イン・ザ・ワン・オブジェクトの観察を完全なシミュレーション可能なアセットに変換する。
SparseViewDiTは、限定角度ビューやその他の実世界のデータ課題に対処するように明示的に設計されている。
論文 参考訳（メタデータ） (2026-04-20T16:20:57Z) - RoboTracer: Mastering Spatial Trace with Reasoning in Vision-Language Models for Robotics [53.053660003572965]
本稿では,3次元空間参照と計測の両方を初めて実現した3D対応VLMであるRoboTracerを提案する。
RoboTracerは、強化微調整により、多段階のメートル法推論を進める。
本稿では,空間的トレーシングを評価する上で困難なベンチマークであるTraceSpatial-Benchを提案する。
論文 参考訳（メタデータ） (2025-12-15T18:52:43Z) - A large-scale, physically-based synthetic dataset for satellite pose estimation [0.0]
本稿では,ハッブル宇宙望遠鏡(HST)を対象とするDLVS3-HST-V1データセットについて述べる。
データセットは、高度なリアルタイムおよびオフラインレンダリング技術を使用して生成され、高忠実度3Dモデル、ダイナミックライティング、物理的に正確な材料特性を統合する。
このパイプラインは、6-DoFのポーズとキーポイントデータ、セマンティックセグメンテーション、深さ、正規マップを備えた大規模でリッチな注釈付きイメージセットの作成をサポートする。
論文 参考訳（メタデータ） (2025-06-15T09:24:32Z) - Is Single-View Mesh Reconstruction Ready for Robotics? [78.14584238127338]
本研究では,ロボット操作のための物理シミュレータを用いたリアルタイム計画と動的予測のためのディジタル双対生成の実現の可能性について,単一ビューメッシュ再構成モデルの評価を行った。
我々の研究は、コンピュータビジョンの進歩とロボティクスの必要性の間に重要なギャップがあることを浮き彫りにし、この交差点における将来の研究を導く。
論文 参考訳（メタデータ） (2025-05-23T14:35:56Z) - DSO: Aligning 3D Generators with Simulation Feedback for Physical Soundness [79.4785166021062]
ほとんどの3Dオブジェクトジェネレータは審美的品質を優先し、実際的な用途に必要な物理的な制約を無視している。
安定な3Dオブジェクトを生成するための従来のアプローチは、テスト時に幾何を最適化するために微分可能な物理シミュレータに頼っていた。
このフレームワークは、(微分不可能な)シミュレータからのフィードバックを活用し、3Dジェネレータが安定な3Dオブジェクトを直接出力する可能性を高める。
論文 参考訳（メタデータ） (2025-03-28T17:59:53Z) - SatSplatYOLO: 3D Gaussian Splatting-based Virtual Object Detection Ensembles for Satellite Feature Recognition [0.0]
本研究では、軌道上の未知の非協力衛星の成分のマッピングと高信頼度検出のためのアプローチを提案する。
我々は、衛星の3次元表現を学習し、ターゲットの仮想ビューをレンダリングし、仮想ビュー上でYOLOv5オブジェクト検出器をアンサンブルするために、加速3次元ガウススプラッティングを実装した。
論文 参考訳（メタデータ） (2024-06-04T17:54:20Z) - Reconstructing Satellites in 3D from Amateur Telescope Images [44.20773507571372]
本稿では,ハイブリッド画像前処理パイプラインを統合することで,障害を克服する新しい計算イメージングフレームワークを提案する。
我々は,中国の江東宇宙ステーションと国際宇宙ステーションの合成衛星データセットとオンスキー観測の両方にアプローチを検証した。
我々のフレームワークは地球からの高忠実度3D衛星監視を可能にし、宇宙状況認識のためのコスト効率の良い代替手段を提供する。
論文 参考訳（メタデータ） (2024-04-29T03:13:09Z) - Characterizing Satellite Geometry via Accelerated 3D Gaussian Splatting [0.0]
本稿では,3次元ガウス散乱に基づく軌道上の衛星のマッピング手法を提案する。
ループ型衛星モックアップにおけるモデルトレーニングと3次元レンダリング性能を実演する。
我々のモデルでは、未知の衛星の高品質な新しいビューを、従来のNeRFベースのアルゴリズムよりも2桁近く高速にトレーニングし、レンダリングすることが可能であることが示されている。
論文 参考訳（メタデータ） (2024-01-05T00:49:56Z) - Transferable Active Grasping and Real Embodied Dataset [48.887567134129306]
ハンドマウント型RGB-Dカメラを用いて把握可能な視点を探索する方法を示す。
現実的な3段階の移動可能な能動把握パイプラインを開発し、未確認のクラッタシーンに適応する。
本研究のパイプラインでは,カテゴリ非関連行動の把握と確保において,スパース報酬問題を克服するために,新しいマスク誘導報酬を提案する。
論文 参考訳（メタデータ） (2020-04-28T08:15:35Z)
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。