論文の概要: WOLF: World Model Guided LiDAR Exploration with Predictive Frontiers

• arxiv url: http://arxiv.org/abs/2609.23656v1
• Date: Sun, 20 Sep 2026 14:09:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-24 16:26:21.354143
• Title: WOLF: World Model Guided LiDAR Exploration with Predictive Frontiers
• Title（参考訳）: WOLF: 予測フロンティアによる世界モデルガイドLiDAR探査
• Abstract要約: WOLFは、将来の観測を予測し、自律探査を強化する世界モデル誘導フレームワークである。 WOLFは、観測履歴と探索中の候補運動を組み合わせて、局所的占有率と可視性を予測する。 シミュレーションでは,ガレージにおけるEPICと比較して平均終端時間を10.9%削減する。
• 参考スコア（独自算出の注目度）: 57.192711741481425
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: LiDAR-based unmanned aerial vehicle (UAV) exploration builds maps by continually selecting where to observe next. However, decisions based on the measured map provide limited foresight into spatial continuations behind occlusions, leaving potentially informative directions unrecognized. We present WOLF, a world-model-guided framework that predicts future observations to enhance autonomous exploration. In the training stage, a recurrent world model learns observation dynamics from exploration trajectories, with recurrent memory retaining the spatial context needed to interpret partial observations across successive views. Building on this context, the model combines observation history with candidate motions during exploration to predict local occupancy and visibility. To guide further sensing, a predictive frontier generation mechanism then aligns and fuses these predictions using confidence, branch agreement, and observation quality to identify promising regions. The resulting predictive frontiers join measured ones to guide geometric viewpoint selection and trajectory generation, while new scans update subsequent predictions. In simulations, our method reduces mean terminal time by 10.9% relative to EPIC in Garage at comparable coverage and increases mean coverage from 42.12% to 98.35% in Tunnel. Real-world experiments further demonstrate onboard deployment of the learned model for online inference during physical flight.
• Abstract（参考訳）: LiDARをベースとした無人航空機(UAV)探査は、次に観測する場所を常に選択することで地図を構築する。 しかし、測定された地図に基づく決定は、隠蔽の背後にある空間的継続に対する限られた注意を与え、潜在的に有意な方向が認識されないままである。 WOLFは、将来の観測を予測し、自律探査を強化する世界モデル誘導フレームワークである。 トレーニング段階では、リカレントワールドモデルは探索軌道から観察ダイナミクスを学習し、連続したビュー全体にわたって部分的な観察を解釈するために必要な空間的コンテキストを保持する。 この文脈に基づいて、このモデルは観測履歴と探索中の候補運動を組み合わせて、局所的占有率と可視性を予測する。 さらに、予測フロンティア生成機構は、信頼性、分岐合意、観察品質を用いてこれらの予測を整列して融合し、将来的な領域を特定する。 得られた予測フロンティアは、幾何学的視点選択と軌道生成を導くために測定されたフロンティアと合流し、新しいスキャンはその後の予測を更新する。 シミュレーションでは,ガレージのEPICと比較して平均終端時間を10.9%削減し,トンネル内の平均終端時間を42.12%から98.35%に改善した。 実世界の実験は、物理飛行中のオンライン推論のための学習モデルの展開をさらに実証する。

関連論文リスト

• DAWP: A framework for global observation forecasting via Data Assimilation and Weather Prediction in satellite observation space [60.729377189859]
  完全な観測空間でAIWPを動作させるためのDAWPフレームワークを提案する。 AIDAモジュールは、不規則な衛星観測トークンを同化するためにマスク多モードオートエンコーダを適用している。 我々はAIDAがAIWPのロールアウトと効率を大幅に改善し、地球規模の降水分解予測に適用できる有望な可能性を秘めていることを示す。
  論文  参考訳（メタデータ） (2025-10-13T03:13:35Z)
• Spatial-Temporal Conditional Random Field for Human Trajectory Prediction [11.302568159452889]
  軌道予測はコンピュータビジョンにおいて重要である。 本研究では,textbfS-Tjectory CRF: textbfSpatial-textbfTemporal textbfConditional textbfRandom textbfFieldを提案する。
  論文  参考訳（メタデータ） (2023-11-30T02:33:01Z)
• Enhancing Trajectory Prediction through Self-Supervised Waypoint Noise Prediction [9.385936248154987]
  軌道予測は、未来の軌道を予測するために、交通機関の不確定の性質をモデル化する重要なタスクである。 SSWNP(Self-Supervised Waypoint Noise Prediction)と呼ばれる新しい手法を提案する。 提案手法では,経路点の空間的領域にまたがる過去の観測軌跡の,クリーンでノイズを増進したビューを作成する。
  論文  参考訳（メタデータ） (2023-11-26T19:03:41Z)
• Improving Trajectory Prediction in Dynamic Multi-Agent Environment by Dropping Waypoints [9.385936248154987]
  動作予測システムは、エージェントの将来の軌跡を予測するために、過去から空間的および時間的情報を学習する必要がある。 本稿では,軌道予測モデルのトレーニング中に時間的依存関係を明示的に組み込んだTWDを提案する。 NBA Sports VU, ETH-UCY, TrajNet++の3つのデータセットに対する提案手法の評価を行った。
  論文  参考訳（メタデータ） (2023-09-29T15:48:35Z)
• TempSAL -- Uncovering Temporal Information for Deep Saliency Prediction [64.63645677568384]
  本稿では,逐次時間間隔でサリエンシマップを出力する新たなサリエンシ予測モデルを提案する。 提案手法は,学習した時間マップを組み合わせることで,サリエンシ予測を局所的に調整する。 私たちのコードはGitHubで公開されます。
  論文  参考訳（メタデータ） (2023-01-05T22:10:16Z)
• Self-Supervised Action-Space Prediction for Automated Driving [0.0]
  本稿では,自動走行のための新しい学習型マルチモーダル軌道予測アーキテクチャを提案する。 学習問題を加速度と操舵角の空間に投入することにより、運動論的に実現可能な予測を実現する。 提案手法は,都市交差点とラウンドアバウトを含む実世界のデータセットを用いて評価する。
  論文  参考訳（メタデータ） (2021-09-21T08:27:56Z)
• SLPC: a VRNN-based approach for stochastic lidar prediction and completion in autonomous driving [63.87272273293804]
  VRNN(Variiational Recurrent Neural Networks)と呼ばれる生成モデルに基づく新しいLiDAR予測フレームワークを提案する。 提案手法は,フレーム内の奥行きマップを空間的に塗り替えることで,スパースデータを扱う際の従来のビデオ予測フレームワークの限界に対処できる。 VRNNのスパースバージョンとラベルを必要としない効果的な自己監督型トレーニング方法を紹介します。
  論文  参考訳（メタデータ） (2021-02-19T11:56:44Z)
• Latent World Models For Intrinsically Motivated Exploration [140.21871701134626]
  画像に基づく観察のための自己教師付き表現学習法を提案する。 我々は、部分的に観測可能な環境の探索を導くために、エピソードおよび寿命の不確実性を考慮する。
  論文  参考訳（メタデータ） (2020-10-05T19:47:04Z)

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。