論文の概要: ArborSplat: Online Semantic Gaussian Splatting SLAM for Orchards

• arxiv url: http://arxiv.org/abs/2609.26315v1
• Date: Tue, 22 Sep 2026 12:25:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:04.358526
• Title: ArborSplat: Online Semantic Gaussian Splatting SLAM for Orchards
• Title（参考訳）: ArborSplat: オーチャード用オンラインセマンティックガウススプティングSLAM
• Abstract要約: オーチャードロボットは、トランク、トレリズ、果物などの意味的に重要な構造を保存するマップを必要とする。 本稿では,オンラインセマンティック3DGS SLAMシステムであるArborSplatについて述べる。 リンゴ,ナシ果樹の休眠期,開花期,収穫期におけるアプローチについて検討した。
• 参考スコア（独自算出の注目度）: 45.80404115143629
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Orchard robots need maps that preserve small but semantically important structures such as trunks, trellises, and fruit. 3D Gaussian Splatting (3DGS) SLAM achieves high photometric fidelity. However, its optimization remains appearance-driven, and transferring image semantics to 3D points is unreliable for thin structures, whose pixels may receive depth from background surfaces. We present ArborSplat, an online semantic 3DGS SLAM system that tracks with LiDAR odometry and optimizes semantics directly on the Gaussian map, constrained by class-specific height bands above a ground plane fitted to each keyframe's stereo point cloud, and fuses multi-view evidence into a semantic point cloud online while rejecting labels inconsistent with the local ground surface or with monocular depth. Class-constrained refinement reserves Gaussian capacity for underrepresented structures and, under reduced budgets, increases training-view accuracy on tree classes. We evaluate the approach on apple and pear orchards during dormancy, flowering, and harvesting. On full routes, it keeps ATE below 0.5 m on all 12 traversals. On shared 301-frame segments, it exceeds SGS-SLAM and GS3LAM by 0.23 to 0.50 training-view and 0.15 to 0.36 held-out mIoU while running 1.7 to 7.5 times faster, whereas SemGauss-SLAM runs out of GPU memory on all six.
• Abstract（参考訳）: オーチャードロボットは、トランク、トレリス、果物など、小さなが意味的に重要な構造を保存する地図を必要とする。 3D Gaussian Splatting (3DGS) SLAM は高光度忠実度を実現する。 しかし、画像のセマンティクスを3Dポイントに転送することは、背景から奥行きを受信できるような細い構造では信頼性が低い。 本稿では,各キーフレームのステレオポイントクラウドに適合する地上面上のクラス固有高さ帯に制約されたガウス地図上で,LiDAR odometry を用いてセマンティクスを直接追跡し,セマンティクスを最適化するオンラインセマンティクス3DGS SLAMシステムであるArborSplatについて述べる。 クラス制限された改良は、過小評価された構造物のガウス的な能力と予算の削減により、ツリークラスでのトレーニング・ビューの精度を高める。 リンゴ,ナシ果樹の休眠期,開花期,収穫期におけるアプローチについて検討した。 フルルートでは、ATEは全12路線で0.5m以下を維持している。 301フレームの共有セグメントでは、SGS-SLAMとGS3LAMを0.23から0.50のトレーニングビューと0.15から0.36の保持アウトmIoUで上回り、1.7から7.5倍高速に動作し、SemGauss-SLAMは6つのGPUメモリを使い果たした。

関連論文リスト

• LightSplat: Real-Time High-Fidelity 3D Gaussian SLAM with Loop Closure [19.174690314969737]
  LightSplatはハイブリッド表現RGB-D SLAMフレームワークである。 デュアルスレッドバックエンドで堅牢で高速なトラッキングのために、ローカルスパース機能をシナジする。 高忠実度ガウス写像のオンライン再構築を実現している。
  論文  参考訳（メタデータ） (2026-09-07T09:37:03Z)
• Compact Keyframe-Optimized Multi-Agent Gaussian Splatting SLAM [4.458834881246724]
  マルチエージェント3Dマッピングは未知の環境で動作しているロボットチームにとって不可欠だが、密度の高い表現はリアルタイムの交換を妨げる。 本稿では,地図の忠実性を保ちながら通信負荷を低減するマルチエージェント RGB-D Gaussian Splatting SLAM フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-01T12:11:20Z)
• SING3R-SLAM: Submap-based Indoor Monocular Gaussian SLAM with 3D Reconstruction Priors [80.51557267896938]
  SING3R-SLAMはガウスベースの高密度RGB SLAMフレームワークである。 SING3R-SLAMは最先端のトラッキング、3D再構成、新しいビューレンダリングを実現し、12%以上の精度向上を実現し、より細かな幾何を創出する。
  論文  参考訳（メタデータ） (2025-11-21T12:40:55Z)
• AgriGS-SLAM: Orchard Mapping Across Seasons via Multi-View Gaussian Splatting SLAM [8.192196628081136]
  AgriGS-SLAMは、LiDARループとマルチカメラ3Dレンダリングを結合したVisual-LiDAR SLAMフレームワークである。 我々は,リンゴとナシ果樹園の畑のプラットフォームに,開花と収穫にシステムを展開する。 AgriGS-SLAMは、最近の最先端の3DGS-SLAMベースラインよりも、より鋭く、より安定した再構築と安定した軌道を提供する。
  論文  参考訳（メタデータ） (2025-10-30T11:08:23Z)
• MCGS-SLAM: A Multi-Camera SLAM Framework Using Gaussian Splatting for High-Fidelity Mapping [52.99503784067417]
  3次元ガウス平板上に構築した初のRGBベースのマルチカメラSLAMシステムMCGS-SLAM(3DGS)を提案する。 マルチカメラバンドル調整(MCBA)は、高密度の測光および幾何残差を介してポーズと深さを共同で洗練し、スケール整合モジュールはビューを横断する計量アライメントを強制する。 合成および実世界のデータセットの実験は、MCGS-SLAMが一貫して正確な軌道と光現実的再構成をもたらすことを示している。
  論文  参考訳（メタデータ） (2025-09-17T17:27:53Z)
• Splat-SLAM: Globally Optimized RGB-only SLAM with 3D Gaussians [87.48403838439391]
  3D Splattingは、RGBのみの高密度SLAMの幾何学と外観の強力な表現として登場した。 本稿では,高密度な3次元ガウス写像表現を持つRGBのみのSLAMシステムを提案する。 Replica、TUM-RGBD、ScanNetのデータセットに対する実験は、グローバルに最適化された3Dガウスの有効性を示している。
  論文  参考訳（メタデータ） (2024-05-26T12:26:54Z)
• InstantSplat: Sparse-view Gaussian Splatting in Seconds [91.77050739918037]
  InstantSplatは,光速でスパークビュー3Dシーンを再現する新しい手法である。 InstantSplatでは,3Dシーン表現とカメラポーズを最適化する,自己管理フレームワークを採用している。 3D-GSの従来のSfMと比較して、30倍以上の再現を達成し、視覚的品質(SSIM)を0.3755から0.7624に改善する。
  論文  参考訳（メタデータ） (2024-03-29T17:29:58Z)
• Classifying Objects in 3D Point Clouds Using Recurrent Neural Network: A GRU LSTM Hybrid Approach [0.0]
  拡張現実における3次元オブジェクト分類のためのディープラーニング戦略を提案する。 提案手法はGRUとLSTMの組み合わせである。 提案手法は4,499,0641点のデータセットで0.99の精度を達成した。
  論文  参考訳（メタデータ） (2024-03-09T16:05:31Z)

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。