論文の概要: SlugTrails: An Egocentric Benchmark for Floor Plan Localization in Large Buildings
- arxiv url: http://arxiv.org/abs/2609.19876v1
- Date: Thu, 17 Sep 2026 08:27:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-20 08:55:54.165447
- Title: SlugTrails: An Egocentric Benchmark for Floor Plan Localization in Large Buildings
- Title（参考訳）: SlugTrails: 大規模建築物における床面計画定位のためのエゴセントリックベンチマーク
- Abstract要約: フロアプランに基づく屋内視覚的位置決めはインフラレスの位置決めを可能にするが、ほとんどの手法は小さな住宅環境で開発・評価されている。
SlugTrailsは大規模な屋内空間をリアルなエゴセントリックな感覚下でのフロアプラン定位ベンチマークである。
- 参考スコア（独自算出の注目度）: 7.609845866599627
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Floor-plan-based indoor visual localization enables infrastructure-free positioning, but most methods are developed and evaluated in small residential environments unlike the large public buildings of real deployment. We introduce SlugTrails, a floor plan localization benchmark for large indoor spaces under realistic egocentric sensing: $30$ Hz Aria glasses recordings across three campus buildings and six floors ($22089$ m$^2$ of floor plan outline), CAD-derived floor plans with semantic classes and circulation space masks, and trajectories aligned into the floor plan frame using laser-surveyed anchors. One protocol covers three practical ways of gathering geometry under a limited field of view -- a single walking frame, a stationary multi-view sweep, and a walking stream with odometry -- so methods designed for different regimes are compared on the same buildings and ground truth. Evaluating five representative geometric and learned systems under their native sensing configurations, we find that stock checkpoints (official released weights) are near zero on SlugTrails (at most $0.004$ R@1m30$^{\circ}$ on walking single frames), while fine-tuning on SlugTrails improves every trainable family on all three tasks (e.g., F$^3$Loc $0.0 \rightarrow 0.141$ single-frame and $0.03 \rightarrow 0.66$ sequential), with gains compounding as observations accumulate. The same fine-tuned weights also improve cross-dataset generalization on LaMAR with no LaMAR training (sequential R@1m $0.048 \rightarrow 0.143$ for F$^3$Loc and $0.063 \rightarrow 0.127$ for UnLoc), whereas train-from-scratch on SlugTrails alone stays far below fine-tuning from stock weights -- evidence that floor plan localization is currently limited by indoor data rather than by architecture. We release the dataset, protocols, and tools at https://github.com/Head-inthe-Cloud/SlugTrails.
- Abstract（参考訳）: フロアプランに基づく屋内視覚的位置決めは、インフラのない位置決めを可能にするが、ほとんどの手法は、実際の大規模公共ビルとは異なり、小さな住宅環境で開発・評価されている。
SlugTrailsは3つのキャンパスの建物と6つのフロア(22089$ m$^2$ of floor plan outline)、CAD由来のフロアプラン、セマンティッククラスと循環空間マスク、そしてレーザーサーベイドアンカーを用いてフロアプランフレームに並んだトラジェクトリーである。
1つのプロトコルは、限られた視野の下で幾何学を収集する3つの実践的な方法 - 単一の歩行フレーム、静止したマルチビュースイープ、およびオドメトリーを備えた歩行ストリーム - をカバーしている。
SlugTrailsは3つのタスク(例えば、F$^3$Loc $0.0 \rightarrow 0.141$シングルフレームと$0.03 \rightarrow 0.66$シーケンシャル)ですべてのトレーニング可能なファミリーを改善するが、SlugTrailsではストックチェックポイント(公式リリースウェイト)がゼロに近い(最高$0.004$ R@1m30$^{\circ}$)。
同じ微調整された重量は、LaMARトレーニングなしでLaMAR上のクロスデータセットの一般化を改善する(連続的なR@1m $0.048 \rightarrow 0.143$ for F$^3$Loc and $0.063 \rightarrow 0.127$ for UnLoc)。
私たちはデータセット、プロトコル、ツールをhttps://github.com/Head-in-the-Cloud/SlugTrails.comでリリースしています。
関連論文リスト
- GeoRay: Gauge-Aware Feed-Forward Satellite 3D Reconstruction in the Geodetic Frame [11.043507429399414]
パースペクティブに制約された特徴、絶対標高、モノクラーおよびマルチビューキューを扱う方法。
軽量な ray-consistent アダプタは、凍結したバックボーンをネイティブな RPC 線に沿って適合させる。
18のシステムの絶対フレームベンチマークであるStandardは、登録やテスト参照リークなしに絶対配置をスコア付けします。
論文 参考訳（メタデータ） (2026-08-30T09:27:36Z) - Interpretable Fuzzy Inference for UAV Target Tracking Using Bounding-Box Geometry [0.528933036850801]
YOLOボックスから抽出した低次元特徴から連続ヨーコマンドを生成する解釈可能なファジィ推論フレームワークを提案する。
その結果、このフレームワークは透過的で、データ効率が高く、計算量も軽量であり、リアルタイムの視覚に基づくUAV誘導に適していることが判明した。
論文 参考訳（メタデータ） (2026-08-04T18:18:29Z) - From Distances to Trajectories: Real-Time Signed Distance Function Mapping and Distance-Accelerated Motion Planning for UAVs [8.393016378205752]
我々は、マッピングとプランニングは単一の表現を中心に共同設計されるべきであると主張する:符号付き距離関数(SDF)。
タンデムでは、距離情報を利用して最大衝突のない球を成長させる検索ベースのプランナーであるBubble$star$を開発する。
計算制約の厳密な条件下で室内環境をリアルタイムでナビゲートし,四角形回路上でのOREN-Bubble$star$アプローチを実演する。
論文 参考訳（メタデータ） (2026-07-21T17:18:46Z) - FoundationGeo: Learning Spatial Pixel-Wise Fields for Monocular Metric Geometry [52.232826445242644]
FoundationGeoは空間キャリブレーションと原則データ設計による相対的および計量的予測を橋渡しする。
ステージ1は DINOv3 で初期化することで高忠実なアフィン不変幾何モデルを学ぶ。
ステージ2は、メートル法推定のためのピクセルワイドキャリブレーションフィールドを導入することで、グローバルなスケーリングを越えている。
論文 参考訳（メタデータ） (2026-07-13T14:10:01Z) - 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) - PALMS+: Modular Image-Based Floor Plan Localization Leveraging Depth Foundation Model [6.965992036664047]
PALMSのような視覚ベースの手法は、フロアプランと静止スキャンのみを使用してインフラストラクチャフリーのローカライズを可能にする。
提案するPALMS$+$は,RGB画像からスケールアライメントされた3次元点雲を再構成することにより,これらの課題に対処するモジュール型画像ベースシステムである。
PalmS$+$は、直接またはシーケンシャルなローカライゼーションに使用できる位置と向きの後方を出力する。
論文 参考訳（メタデータ） (2025-11-12T20:30:53Z) - FloorplanQA: A Benchmark for Spatial Reasoning in LLMs using Structured Representations [78.65988445433844]
FloorplanQAは、大規模言語モデルにおける空間的推論を評価するための診断ベンチマークである。
このベンチマークでは、距離測定、可視性、経路探索、制約空間内のオブジェクト配置など、中核的な空間的タスクをカバーしている。
論文 参考訳（メタデータ） (2025-07-10T11:16:48Z) - From Thousands to Billions: 3D Visual Language Grounding via Render-Supervised Distillation from 2D VLMs [64.28181017898369]
LIFT-GSはポイントクラウドから3Dガウス表現を予測し、予測された言語条件の3Dマスクを2Dビューにレンダリングする。
LIFT-GSは、オープン語彙のインスタンスセグメンテーションで25.7%のmAPで最先端の結果を達成する。
注目すべきは、事前トレーニングがデータセットの微調整を2倍にし、強力なスケーリング特性を示すことだ。
論文 参考訳（メタデータ） (2025-02-27T18:59:11Z) - ConDaFormer: Disassembled Transformer with Local Structure Enhancement
for 3D Point Cloud Understanding [105.98609765389895]
トランスフォーマーは、最近3Dポイントクラウド理解のために研究されている。
0.1万を超える多数のポイントは、ポイントクラウドデータに対してグローバルな自己注意を可能にする。
本稿では,ConDaFormerという新しい変圧器ブロックを開発する。
論文 参考訳（メタデータ） (2023-12-18T11:19:45Z) - MULLS: Versatile LiDAR SLAM via Multi-metric Linear Least Square [4.449835214520727]
MULLSは効率的で低ドリフトで多用途な3D LiDAR SLAMシステムである。
フロントエンドでは, 2次元地上フィルタと主成分分析を用いて, 各フレームから大まかに分類された特徴点を抽出する。
バックエンドでは、定期的に記憶されている履歴サブマップ間で階層的なポーズグラフ最適化を行い、デッドレコメンデーションによるドリフトを低減する。
KITTIベンチマークでは、MULLSはリアルタイムパフォーマンスでLiDARのみのSLAMシステムにランクインしている。
論文 参考訳（メタデータ） (2021-02-07T10:42:42Z)
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。