論文の概要: Transformer-based Monte Carlo Localization in Construction Meshes
- arxiv url: http://arxiv.org/abs/2609.31357v1
- Date: Fri, 25 Sep 2026 14:54:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-28 18:27:51.446333
- Title: Transformer-based Monte Carlo Localization in Construction Meshes
- Title（参考訳）: 変圧器を用いた建設メッシュにおけるモンテカルロの局在
- Abstract要約: 我々は,建築メッシュに対するロボットのポーズを推定する,LiDARに基づくグローバルな再ローカライズシステムを開発した。
パイプラインは、ビルメッシュ内のロボットのセンサーをシミュレートして得られる合成LiDARスキャンにのみ訓練される。
実世界のデータセットの評価から,本手法は拡散ベースのベースラインとScanContext++ベースラインの両方より優れていることが示された。
- 参考スコア（独自算出の注目度）: 5.713324215826695
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: To be able to perform inspection or digitization tasks, mobile robots on construction sites must be able to localize themselves reliably with respect to a global reference frame that is shared with a building map. Similar room layouts and low-texture surfaces pose a challenge for existing LiDAR- and vision-based localization methods. We approach this problem with a LiDAR-based global relocalization system that estimates the robot's pose relative to a building mesh and combines a PointNet++ encoder with a place recognition decoder, whose outputs serve as a learned observation model within a Monte Carlo Localization (MCL) framework. The pipeline is trained exclusively on synthetic LiDAR scans obtained by simulating the robot's sensors inside the building mesh. Our approach is robust in ambiguous environments due to an uncertainty-aware decoder that scales positional likelihoods and a resampling strategy that injects model hypotheses into the particle set, enabling recovery from potential particle depletion. Evaluations on real-world datasets show that our method outperforms both diffusion-based and ScanContext++ baselines while maintaining fast inference (18 ms per call), demonstrating the practicality of synthetic-data training for mesh-referenced global localization in construction robotics.
- Abstract（参考訳）: 検査やデジタル化作業を行うためには,建設現場の移動ロボットは,ビルマップと共有されるグローバル参照フレームに対して,確実に位置決めを行なわなければならない。
部屋のレイアウトや低テクスチャ面は、既存のLiDARおよび視覚ベースのローカライゼーション手法に挑戦している。
我々は,LDARに基づくグローバルな再ローカライゼーションシステムを用いて,ロボットの姿勢を構築メッシュに対して推定し,PointNet++エンコーダと位置認識デコーダを組み合わせ,その出力をモンテカルロ局所化(MCL)フレームワーク内で学習した観測モデルとして機能する。
パイプラインは、ビルメッシュ内のロボットのセンサーをシミュレートして得られる合成LiDARスキャンにのみ訓練される。
本手法は, 不確実性を考慮したデコーダと, モデル仮説を粒子集合に注入し, 潜在的な粒子の枯渇からの回復を可能にする再サンプリング戦略により, 不確実性環境において堅牢である。
実世界のデータセットの評価から,提案手法は高速な推論(18ms/h)を維持しつつ,拡散ベースとScanContext++のベースラインよりも優れており,建設ロボティクスにおけるメッシュ参照グローバルローカライゼーションのための合成データトレーニングの実践性を示している。
関連論文リスト
- Gaussian Processes for Modelling Spatial Fields with Robot Swarms [9.178969775955185]
本研究では,空間場モデリングの解法として,位置認識型ガウス過程回帰(LU-GPR)を導入する。
LU-GPRにより、各ロボットは宇宙空間におけるフィールドの後方平均と分散を推定でき、同時に基準の共通フレームに同調する。
この結果から,LU-GPRはロボットの数に匹敵し,通信範囲が限られていることがわかった。
論文 参考訳（メタデータ） (2026-09-15T17:03:11Z) - Mirage2Matter: A Physically Grounded Gaussian World Model from Video [87.9732484393686]
我々は、グラフィック駆動の世界モデリングおよびシミュレーションフレームワークであるSimulate Anythingを紹介する。
実世界の環境を3次元ガウススプレイティング(3DGS)による写実的シーン表現に再構築する。
次に、生成モデルを利用して、物理的に現実的な表現を復元し、精度校正ターゲットを介してシミュレーション環境に統合する。
論文 参考訳（メタデータ） (2026-01-24T07:43:57Z) - Generative MIMO Beam Map Construction for Location Recovery and Beam Tracking [67.65578956523403]
本稿では,スパースチャネル状態情報(CSI)から位置ラベルを直接復元する生成フレームワークを提案する。
生のCSIを直接格納する代わりに、小型の低次元無線地図の埋め込みを学び、生成モデルを利用して高次元CSIを再構築する。
数値実験により,NLOSシナリオにおける局所化精度が30%以上向上し,20%のキャパシティゲインが得られることが示された。
論文 参考訳（メタデータ） (2025-11-21T07:25:49Z) - Diffusion Based Robust LiDAR Place Recognition [7.703398598907747]
建設現場の移動ロボットは、自律的な測量および検査ミッションを行うために正確なポーズ推定を必要とする。
本稿では,LiDARデータのみを用いた建物の正確な走査メッシュに対して,ロボットのグローバルな再配置に着目した。
私たちは、単一のLiDARポイントクラウドから複数の位置候補をモデル化できるPointNet++バックボーンで拡散モデルをトレーニングします。
得られたモデルは、知覚的エイリアシングの悪影響にもかかわらず、閉じ込められた、複雑な場所でのLiDARのグローバルな位置を予測できる。
論文 参考訳（メタデータ） (2025-04-16T18:23:17Z) - Learning Where to Look: Self-supervised Viewpoint Selection for Active Localization using Geometrical Information [68.10033984296247]
本稿では, 位置決めの精度を高めるために, 視点選択の重要性を強調し, アクティブな位置決め領域について検討する。
私たちのコントリビューションは、リアルタイム操作用に設計されたシンプルなアーキテクチャ、自己教師付きデータトレーニング方法、および実世界のロボティクスアプリケーションに適した計画フレームワークにマップを一貫して統合する能力による、データ駆動型アプローチの使用に関するものです。
論文 参考訳（メタデータ） (2024-07-22T12:32:09Z) - Particle Filter SLAM for Vehicle Localization [2.45723043286596]
本研究では,粒子フィルタSLAM法を用いてSLAMの課題に対処する。
提案手法は,車両動作の正確な推定を可能にするために,符号化データと光ジャイロ(FOG)情報を利用する。
これらのデータストリームの統合は、Particle Filter SLAMフレームワークの確立に繋がる。
論文 参考訳（メタデータ） (2024-02-12T06:06:09Z) - IR-MCL: Implicit Representation-Based Online Global Localization [31.77645160411745]
本稿では,室内環境におけるロボットの姿勢を2次元LiDARデータを用いて推定する問題に対処する。
ニューラルネットワークを用いてシーンを暗黙的に表現するためのニューラルネットワーク占有場(NOF)を提案する。
本研究では,最先端手法のローカライズ性能を超越したアプローチを用いて,ロボットを高精度かつ効率的にローカライズできることを示す。
論文 参考訳（メタデータ） (2022-10-06T17:59:08Z) - Retrieval and Localization with Observation Constraints [12.010135672015704]
RLOCSと呼ばれる視覚的再局在化手法を提案する。
画像検索、意味整合性、幾何学的検証を組み合わせて正確な推定を行う。
本手法は, ローカライゼーションベンチマークにおいて多くの性能向上を実現している。
論文 参考訳（メタデータ） (2021-08-19T06:14:33Z) - Kimera-Multi: Robust, Distributed, Dense Metric-Semantic SLAM for
Multi-Robot Systems [92.26462290867963]
Kimera-Multiは、最初のマルチロボットシステムであり、不正なインターループとイントラロボットループの閉鎖を識別し拒否することができる。
我々は、フォトリアリスティックシミュレーション、SLAMベンチマークデータセット、地上ロボットを用いて収集された屋外データセットの挑戦において、Kimera-Multiを実証した。
論文 参考訳（メタデータ） (2021-06-28T03:56:40Z) - Unsupervised Metric Relocalization Using Transform Consistency Loss [66.19479868638925]
メートル法再ローカライズを行うためのトレーニングネットワークは、従来、正確な画像対応が必要である。
地図内のクエリ画像のローカライズは、登録に使用される参照画像に関係なく、同じ絶対的なポーズを与えるべきである。
提案手法は, 限られた地下構造情報が得られる場合に, 他の教師あり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） (2020-11-01T19:24:27Z) - Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for
Online Collision Avoidance [95.86944752753564]
本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。
我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。
本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
論文 参考訳（メタデータ） (2020-07-28T07:34:30Z)
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。