論文の概要: All Roads Lead to Rome: Flow-driven Multi-Anchor Exploration for Open-Environment Active 3D Mapping

• arxiv url: http://arxiv.org/abs/2609.36889v1
• Date: Tue, 29 Sep 2026 07:20:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.275202
• Title: All Roads Lead to Rome: Flow-driven Multi-Anchor Exploration for Open-Environment Active 3D Mapping
• Title（参考訳）: ローマへの全道: オープン環境アクティブ3Dマッピングのためのフロー駆動型マルチアンカー探索
• Abstract要約: Open-Environment Active 3D Mappingは、見えないシナリオを再構築するために、長い水平かつ最も短い軌道探索を行うことを目的としている。 本研究では,フローマッチングを用いた条件付きマルチモーダルアンカー生成として,長距離目標予測を再構成する。 オープン環境における一般化と再構築の効率化を図る。
• 参考スコア（独自算出の注目度）: 54.90158288791037
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: To advance the development of embodied intelligence, Open-Environment Active 3D Mapping has attracted increasing attention, aiming to perform a long-horizon and shortest trajectory exploration for reconstructing unseen scenarios. Since only limited information about unseen environments is available, methods built on the closed-set assumption, i.e., assuming that the test environments are similar to those seen during training, cannot generalize satisfactorily. In existing active mapping methods, long-horizon exploration is often guided by predicting a coarse long-range goal and then converting it into an executable path. However, this stage is usually formulated as single-point prediction. Under partial observability, the same local observation may correspond to multiple plausible exploration directions, making such deterministic prediction prone to brittle decisions and degraded performance in unseen scenarios. Our experiments further verify that this is a key factor underlying their weak generalization. To address this issue, we reformulate long-horizon target prediction as conditional multimodal anchor generation using Conditional Flow Matching.Instead of predicting a single goal, our method learns a conditional distribution over coarse exploration anchors from the current mapping state. These anchors are first converted into executable candidate paths through obstacle-aware planning. We then apply exploration-mode clustering to compress geometrically similar trajectories and reduce candidate redundancy. Finally, a hierarchical selection module selects the most promising mode and reranks paths within it to produce the final executable trajectory. Experiments show that our method improves generalization and reconstruction efficiency in open environments.
• Abstract（参考訳）: 具体的インテリジェンスの開発を進めるために,オープン環境アクティブ3Dマッピングが注目されている。 未確認環境に関する限られた情報しか得られないので、テスト環境がトレーニング中に見られるものと似ていると仮定して、クローズドセットの仮定に基づいて構築されたメソッドは、満足して一般化できない。 既存のアクティブマッピング手法では、粗い長距離目標を予測し、それを実行可能な経路に変換することで、長い水平探索が導かれることが多い。 しかし、この段階は通常単点予測として定式化される。 部分観測可能性の下では、同じ局所観測は複数の妥当な探索方向に対応し、そのような決定論的予測は、目に見えないシナリオにおける不安定な決定と劣化したパフォーマンスをもたらす。 我々の実験は、これがそれらの弱一般化の根底にある重要な要素であることを示す。 この問題に対処するため,条件付きフローマッチングを用いた条件付きマルチモーダルアンカー生成として長期目標予測を再構成し,単一の目標を予測するのではなく,現在のマッピング状態から粗い探索アンカー上の条件分布を学習する。 これらのアンカーは、まず障害物対応計画を通じて実行可能な候補経路に変換される。 次に、探索モードクラスタリングを適用し、幾何学的に類似した軌道を圧縮し、候補の冗長性を減少させる。 最後に、階層的選択モジュールは最も有望なモードを選択し、その内部のパスを再参照して最終的な実行可能な軌道を生成する。 実験により,オープン環境における一般化と再構築の効率化が期待できる。

関連論文リスト

• DynCur-Geo: Dynamic Curiosity Reward Shaping for Multimodal Active Geo-Localization [13.538716801280769]
  アクティブなジオローカライゼーションにより、低高度のUAVは、限られたローカル航空観測から特定の目標を探索することができる。 既存の好奇心駆動手法は、探索全体を通して固定された内因性逆戻り重みを割り当てる。 そこで我々はDynCur-Geoを提案する。DynCur-Geoは動的好奇心のフレームワークで、予測エラー固有の報酬を目標距離に応じて調整する。
  論文  参考訳（メタデータ） (2026-08-19T08:24:49Z)
• AutoPath: Learning Transferable Goal-Conditioned Stochastic Path Prior for Safe Navigation Without Human Demonstrations [103.61864552260316]
  動的環境におけるリアルタイムナビゲーションは、限られた知覚下での衝突のない、動的に実現可能な動きを必要とする。 我々は,移動可能な目標整合経路の学習としてナビゲーションを定式化し,局所的な観測に基づいて,目標整合な局所経路上の再利用可能な分布をモデル化する。 我々は、幾何対応の極性行動多様体を用いて局所経路をパラメータ化し、安定かつ安全対応の計画のためのマルチゴール分散ロールアウトによるリスク感応性ユーティリティシェーピングを含む構造化された事前学習フレームワークを開発した。
  論文  参考訳（メタデータ） (2026-07-13T16:00:41Z)
• Hierarchical 3D Scene Graph Construction and Belief-based Planning for Semantic Navigation [34.08516675160383]
  エンボディエージェントのためのゼロショットセマンティックナビゲーションフレームワークを提案する。 本手法は,オブジェクト,ゾーン,領域を網羅したオンライン階層型3次元シーングラフ(HSG)を漸進的に維持し,グローバルプランニングのためのコンパクトな状態抽象化として機能する。 このメモリ上に構築された階層的信念に基づく計画フレームワークは,HSGの探索証拠とセマンティック先行を融合させ,HSGベースのシミュレータ上で有限水平ロールアウトを行い,候補マクロアクションの長期的リターンを明示的に推定する。
  論文  参考訳（メタデータ） (2026-06-30T03:01:44Z)
• DIFF-IPPO: Diffusion-Based Informative Path Planning with Open-Vocabulary Belief Maps [2.1806251298441817]
  オープンボキャブラリ信念マップ生成器と拡散型プランナを統合したパイプラインであるDIFF-IPPOを提案する。 この方法は、高信頼領域にセンサーのカバレッジを集中させ、異なるデータセットのシナリオで81.49%から86.55%の正規化検出スコアを達成するトラジェクトリを生成する。
  論文  参考訳（メタデータ） (2026-06-15T14:26:02Z)
• Explore From Sketch: Accelerating UAV Exploration in Large-scale Environments with Prior Maps [20.559950853029]
  本稿では,LiDARをベースとしたUAV探査において,スパース,アンアライメント,さらには2次元事前地図の離散化を生かした新しい探索フレームワークを提案する。 ベンチマーク評価では、探査効率が34.2%向上し、飛行距離が37.9%減少した。
  論文  参考訳（メタデータ） (2026-06-10T06:30:29Z)
• Think Longer to Explore Deeper: Learn to Explore In-Context via Length-Incentivized Reinforcement Learning [53.58654277639939]
  文脈内探索(In-context Exploring)は、単一の連続した文脈内で仮説を生成、検証、洗練する本質的な能力である。 本稿では,モデルにさらなる探索を促すLongth-Incentivized Explorationを提案する。 提案手法は、ドメイン内タスクの平均4.4%改善と、ドメイン外ベンチマークの2.7%向上を実現している。
  論文  参考訳（メタデータ） (2026-02-12T09:24:32Z)
• OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
  学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。 OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。 最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
  論文  参考訳（メタデータ） (2024-09-14T07:44:22Z)
• Deep Shells: Unsupervised Shape Correspondence with Optimal Transport [52.646396621449]
  本稿では,3次元形状対応のための教師なし学習手法を提案する。 提案手法は,複数のデータセット上での最先端技術よりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2020-10-28T22:24:07Z)

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。