論文の概要: Learning to Drive on Mars: Visual Multimodal Traversability Estimation for Off-World Navigation

• arxiv url: http://arxiv.org/abs/2609.24952v1
• Date: Mon, 21 Sep 2026 17:45:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-24 15:20:53.153094
• Title: Learning to Drive on Mars: Visual Multimodal Traversability Estimation for Off-World Navigation
• Title（参考訳）: 火星でのドライブの学習:オフワールドナビゲーションのための視覚的マルチモーダルトラバーサビリティ推定
• Abstract要約: 人間の操作者および搭載プランナーであるENavによって駆動される500ソルと45kmの軌道にまたがるデータセットを提示する。 私たちのデータセットには、グレースケールのステレオ画像ペア、ポーズ、加速度計の読み取り、ロッカー・ボギー角、傾きとホイールスリップの推定が含まれています。 マルチモーダル運転経験から地形表現を学習する不確実性を考慮したトラバーサビリティ推定フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 12.470797142308166
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Autonomous navigation on Mars requires vehicles to distinguish between traversable terrains across diverse and visually challenging environments. However, progress in learning-based navigation for off-world environments has been limited by the lack of large-scale datasets. Since landing in Jezero Crater, the Mars 2020 Perseverance rover has traversed terrain ranging from sandy dunes, rocky patches, and flat bedrocks. As a result, this paper presents a dataset spanning 500 sols and 45km of trajectories driven by both human operators and the onboard planner, ENav. Our dataset contains grayscale stereo image pairs, poses, accelerometer readings, rocker-bogie angles, and estimates of tilt and wheel slip. Building on this dataset, we introduce an uncertainty-aware traversability-estimation framework that learns terrain representations from multimodal driving experience. We compare our proposed method against existing approaches on the Mars 2020 dataset and show that our method achieves an AUROC of 0.874 and an F1 score of 0.758, outperforming the strongest baseline by 0.058 and 0.156, respectively, while also achieving the highest average precision and recall. Finally, we show that the visual representations can be integrated into path planners, such as ENav, on a physical rover test bed. Videos, code, and the M2020 dataset will be available at https://darren-chiu.github.io/learning-to-drive-on-mars.
• Abstract（参考訳）: 火星の自律航法では、多様な環境と視覚的に困難な環境を横断可能な地形で区別する必要がある。 しかし、大規模なデータセットの欠如により、オフワールド環境における学習ベースのナビゲーションの進歩は制限されている。 火星探査機「2020 Perseverance」は、ジェゼロ・クレーターに着陸して以来、砂丘、岩だらけのパッチ、平らな岩盤などさまざまな地形を横断しています。 そこで本論文では,人体操作者および車載プランナーであるENavによって駆動される500ソルと45kmの軌道にまたがるデータセットについて述べる。 私たちのデータセットには、グレースケールのステレオ画像ペア、ポーズ、加速度計の読み取り、ロッカー・ボギー角、傾きとホイールスリップの推定が含まれています。 このデータセットに基づいて、マルチモーダル運転経験から地形表現を学習する不確実性を考慮したトラバーサビリティ推定フレームワークを導入する。 提案手法をMars 2020データセット上の既存手法と比較した結果,AUROCが0.874,F1スコアが0.758であり,それぞれ0.058,0.156と最強のベースラインを上回り,高い平均精度とリコールを達成した。 最後に、物理的なローバーテストベッド上のENavのようなパスプランナに視覚表現を組み込むことができることを示す。 ビデオ、コード、M2020データセットはhttps://darren-chiu.github.io/learning-to-drive-on-mars.comで提供される。

関連論文リスト

• Robostral Navigate [138.74472687550374]
  Robostral Navigateは、大規模なナビゲーションシステムのための視覚言語モデルである。 モノラルなRGB画像のストリームのみを消費し、現在のカメラビューの次のターゲット位置を指して、ウェイポイントを予測する。 我々は、実世界のデータ収集への依存を減らすため、350kのシミュレートされたシーンに240万のトラジェクトリを生成します。
  論文  参考訳（メタデータ） (2026-07-22T23:13:05Z)
• MARTIAN: A Rendering Framework for Aerial Mars Imagery from HiRISE Orbital Data [1.929589089941562]
  MARTIANはオープンソースのレンダリングフレームワークで、制御可能な照明条件下で火星の地形のリアルな空中ビューを合成する。 MARTIANは、Ingenuityと将来の火星ロータークラフトのための地図ベースのローカライゼーションシステムの開発を通じて検証されている。
  論文  参考訳（メタデータ） (2026-05-28T09:12:57Z)
• STONE Dataset: A Scalable Multi-Modal Surround-View 3D Traversability Dataset for Off-Road Robot Navigation [20.183016318362558]
  STONEはオフロードナビゲーションのための大規模マルチモーダルデータセットである。 データセットは昼夜、草原、農地、建設現場、湖など幅広い環境と環境をカバーしている。 ボクセルレベルの3次元トレーサビリティ予測のベンチマークを確立し,単一モードとマルチモードの両方で強力なベースラインを提供する。
  論文  参考訳（メタデータ） (2026-03-10T04:26:00Z)
• Inpainting the Red Planet: Diffusion Models for the Reconstruction of Martian Environments in Virtual Reality [0.0]
  訓練は、NASAのHiRISE調査から得られた12000個の火星高度マップで実施された。 非均一な再スケーリング戦略は、固定された128x128モデル解像度にリサイズする前に、複数のスケールにわたる地形の特徴をキャプチャする。 その結果,本手法は再建精度(RMSEでは4～15%)と知覚的類似性(LPIPSでは29～81%)において,元のデータより一貫して優れていた。
  論文  参考訳（メタデータ） (2025-10-16T15:02:05Z)
• Learning to Drive Anywhere with Model-Based Reannotation [49.80796496905606]
  ロボットの視覚ナビゲーションポリシーを一般化するためのフレームワークを開発する。 クラウドソースの遠隔操作データや、ラベルなしのYouTubeビデオなど、受動的に収集されたデータを活用します。 このデータはLogoNavに蒸留される。LogoNavは、視覚的目標やGPSのウェイポイントに照準を合わせられた長い水平航法ポリシーだ。
  論文  参考訳（メタデータ） (2025-05-08T18:43:39Z)
• RoadRunner M&M -- Learning Multi-range Multi-resolution Traversability Maps for Autonomous Off-road Navigation [12.835198004089385]
  RoadRunner (M&M) はエンドツーエンドの学習ベースのフレームワークで、さまざまな範囲のトレーバービリティと標高マップを直接予測する。 RoadRunner M&Mは、標高マッピングで最大50%の大幅な改善と、RoadRunner上でのトラバーサビリティ推定で30%の大幅な改善を実現している。
  論文  参考訳（メタデータ） (2024-09-17T07:21:03Z)
• RSRD: A Road Surface Reconstruction Dataset and Benchmark for Safe and Comfortable Autonomous Driving [67.09546127265034]
  道路表面の再構築は、車両の走行計画と制御システムの解析と予測を促進するのに役立つ。 我々は,様々な運転条件下で,特定のプラットフォームで収集した実世界,高解像度,高精度のデータセットであるRoad Surface Reconstructionデータセットを紹介した。 約16,000対のステレオ画像、原点雲、地中深度・不均等地図を含む一般的な道路形態を網羅している。
  論文  参考訳（メタデータ） (2023-10-03T17:59:32Z)
• Towards Robust Monocular Visual Odometry for Flying Robots on Planetary Missions [49.79068659889639]
  火星に着陸したばかりのIngenuityは、トラバーサビリティの影響を受けない新時代の探検の始まりとなるでしょう。 高速な光フロートラッキングを用いた高能率単分子オードメトリーアルゴリズムを提案する。 また、相対翻訳情報行列の主成分分析に基づいて、スケールドリフトの現在のリスクを推定する新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-09-12T12:52:20Z)
• Sim-to-Real Transfer for Vision-and-Language Navigation [70.86250473583354]
  本研究では,従来は目に見えなかった環境下でロボットを解放し,制約のない自然言語ナビゲーション指示に従うという課題について検討する。 VLN(Vision-and-Language Navigation)の課題に関する最近の研究は、シミュレーションにおいて大きな進歩を遂げている。 ロボット工学における本研究の意義を評価するため,シミュレーションで訓練されたVLNエージェントを物理ロボットに転送する。
  論文  参考訳（メタデータ） (2020-11-07T16:49:04Z)

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。