論文の概要: Splat-CBF: Safe Next-Best-View Control in 3D Gaussian-Splat Maps
- arxiv url: http://arxiv.org/abs/2609.23100v1
- Date: Sat, 19 Sep 2026 16:14:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-24 17:16:13.738179
- Title: Splat-CBF: Safe Next-Best-View Control in 3D Gaussian-Splat Maps
- Title（参考訳）: Splat-CBF:3次元ガウス・プレートマップにおける安全な次世代ビュー制御
- Abstract要約: Splat-CBFは、カメラを次のベストビューに向けて操るアクティブな知覚制御バリア機能である。
安全は、ガウス場の平均値-at-Riskを1つの滑らかなハード制約に変換するリスク認識制御バリア関数によって強制される。
知覚は第2の障壁によって実施され、ロボットの計画された経路近くで、期待されているフィッシャー情報を得たカメラオリエンテーションに報いる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Where to look and how to move? A robot navigating an unmapped environment must do both at once, and the two goals pull against each other. The regions most worth observing are the ones the map knows least about, and those are exactly where the robot cannot trust its collision margins. We resolve this tension by introducing Splat-CBF, an active perception control barrier function that steers the camera toward the next best view while collision avoidance is enforced as a hard constraint. Safety is enforced by a risk-aware control barrier function that turns the Average Value-at-Risk of the Gaussian field into a single smooth hard constraint. Perception is enforced by a second barrier that rewards camera orientations with high expected Fisher information gain near the robot's planned path. The two meet in a quadratic program where safety is hard and perception is soft, with a slack penalty that adapts to how often perception has already been relaxed and how close the robot is to an uncertain region. We verify the method in indoor simulations, a Isaac Kinova manipulator and in experiments on an Ackermann-drive robot. Our results assert that robot navigates faster, gathers more information, and runs faster online than safety-only and perception-only baselines, giving up informative motion only when safety requires it.
- Abstract（参考訳）: どこで見て、どのように動くのか?
マップされていない環境をナビゲートするロボットは、一度に両方のことをしなければなりません。
最も観察に値する領域は、地図がほとんど知らない領域であり、ロボットが衝突マージンを信頼できない場所である。
我々は、衝突回避をハード制約として実施しながら、次のベストビューに向けてカメラを操るアクティブな知覚制御バリア関数であるSplat-CBFを導入することで、この緊張を解消する。
安全は、ガウス場の平均値-at-Riskを1つの滑らかなハード制約に変換するリスク認識制御バリア関数によって強制される。
知覚は第2の障壁によって実施され、ロボットの計画された経路近くで、期待されているフィッシャー情報を得たカメラオリエンテーションに報いる。
この2つのプログラムは、安全性が堅く、知覚が柔らかで、知覚が緩和された頻度やロボットが不確実な領域にいかに近づいたかに適応するスラックペナルティが伴う。
室内シミュレーション,アイザック・キノヴァ・マニピュレータ,およびアッカーマン駆動ロボットの実験で検証した。
我々の結果は、ロボットはより速くナビゲートし、より多くの情報を集め、安全のみのベースラインや知覚のみのベースラインよりも高速にオンラインで動作し、安全を必要とする場合にのみ情報的な動きを許す、と主張している。
関連論文リスト
- Probing Collision Grounding in Vision-Language Models for Safe Human-Robot Collaboration [19.192199380267393]
視覚言語モデル(VLM)における衝突基盤の評価のためのベンチマークであるTouchSafeBenchを紹介する。
TouchSafeBenchには、ソーシャルナビゲーションとソーシャルアレンジメントの2,940のシミュレーション屋内共催エピソードが含まれている。
本研究では,現在の安全状態を分類し,接触前の緊急衝突を警告する2つの配置タスクについて検討する。
論文 参考訳（メタデータ） (2026-05-29T12:04:38Z) - Conflict-Aware Active Perception and Control in 3D Gaussian Splatting Fields via Control Barrier Functions [0.0]
ロボットシステムのための協調型能動的認識・制御フレームワークを開発した。
安全は、平均値-at-Risk AV@R衝突リスクメトリックから導かれる制御バリア関数(CBF)を用いて実施される。
認識を改善するために,カメラの向きを局所的な情報付加方向と整列する知覚障壁関数を提案する。
論文 参考訳（メタデータ） (2026-05-19T23:51:23Z) - Sight Over Site: Perception-Aware Reinforcement Learning for Efficient Robotic Inspection [57.37596278863949]
本研究では,認識・認識の観点からの検査を再考する。
本稿では,目標視認性を主目的とするエンドツーエンド強化学習フレームワークを提案する。
提案手法は,既存の古典的および学習的ナビゲーション手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2025-09-22T15:14:02Z) - ABNet: Attention BarrierNet for Safe and Scalable Robot Learning [58.4951884593569]
バリアベースの手法は、安全なロボット学習における主要なアプローチの1つである。
本稿では,より大規模な基本安全モデルを段階的に構築するスケーラブルなAttention BarrierNet(ABNet)を提案する。
2次元ロボット障害物回避、安全なロボット操作、視覚に基づくエンドツーエンド自動運転におけるABNetの強みを実証する。
論文 参考訳（メタデータ） (2024-06-18T19:37:44Z) - Learning Vision-based Pursuit-Evasion Robot Policies [54.52536214251999]
我々は、部分的に観察可能なロボットの監督を生成する完全観測可能なロボットポリシーを開発する。
我々は、RGB-Dカメラを搭載した4足歩行ロボットに、野生での追従回避のインタラクションにポリシーを展開させる。
論文 参考訳（メタデータ） (2023-08-30T17:59:05Z) - Vision-Based Safety System for Barrierless Human-Robot Collaboration [0.0]
本稿では,速度分離監視(SSM)方式の安全システムを提案する。
ディープラーニングに基づくコンピュータビジョンシステムは、ロボットに近いオペレータの3D位置を検出し、追跡し、推定する。
人間とロボットが相互作用する3つの異なる操作モードが提示される。
論文 参考訳（メタデータ） (2022-08-03T12:31:03Z) - Safe Reinforcement Learning Using Black-Box Reachability Analysis [20.875010584486812]
強化学習(Reinforcement Learning, RL)は、不確実な環境下でのロボットの動き計画と制御を高度に行うことができる。
広範な展開を正当化するためには、ロボットは性能を犠牲にすることなく安全上の制約を尊重しなければならない。
我々は3つの主要コンポーネントを持つブラックボックス到達可能性に基づく安全層(BRSL)を提案する。
論文 参考訳（メタデータ） (2022-04-15T10:51:09Z) - Coupling Vision and Proprioception for Navigation of Legged Robots [65.59559699815512]
我々は視覚と受容の相補的な強みを利用して、脚のあるロボットでポイントゴールナビゲーションを実現する。
車輪付きロボット(LoCoBot)のベースラインよりも優れた性能を示す。
また,センサーと計算能力を備えた四足歩行ロボットに,我々のシステムを実環境に展開することも示す。
論文 参考訳（メタデータ） (2021-12-03T18:59:59Z) - Vision-Based Mobile Robotics Obstacle Avoidance With Deep Reinforcement
Learning [49.04274612323564]
障害物回避は、移動ロボットの自律ナビゲーションのための根本的かつ困難な問題です。
本稿では,ロボットが単一眼カメラにのみ依存しなければならない単純な3D環境における障害物回避の問題を検討する。
データ駆動型エンドツーエンドディープラーニングアプローチとして,障害回避問題に取り組む。
論文 参考訳（メタデータ） (2021-03-08T13:05:46Z) - Perceiving Humans: from Monocular 3D Localization to Social Distancing [93.03056743850141]
本稿では,人間の3次元位置と身体の向きを1つの画像から知覚する,コスト効率の高い視覚ベースの新しい手法を提案する。
我々は,「社会的距離」という概念を,単純な位置に基づくルールとは対照的に,社会的相互作用の一形態として再考することが可能であることを示す。
論文 参考訳（メタデータ） (2020-09-01T10:12:30Z) - Deep Reinforcement learning for real autonomous mobile robot navigation
in indoor environments [0.0]
本研究では,地図やプランナーを使わずに,未知の環境下での自律型自律学習ロボットナビゲーションの概念を実証する。
ロボットの入力は、2DレーザースキャナーとRGB-Dカメラからの融合データと目標への向きのみである。
Asynchronous Advantage Actor-Critic Network(GA3C)の出力動作は、ロボットの線形および角速度である。
論文 参考訳（メタデータ） (2020-05-28T09:15:14Z)
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。