論文の概要: GPU-Accelerated Path-Dependent Marginal Information Gain for Autonomous Exploration

• arxiv url: http://arxiv.org/abs/2609.40297v1
• Date: Wed, 30 Sep 2026 17:50:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:28.264264
• Title: GPU-Accelerated Path-Dependent Marginal Information Gain for Autonomous Exploration
• Title（参考訳）: 自律探索のためのGPUによるパス依存型マージナル情報ゲイン
• Abstract要約: 本研究は,経路依存の辺縁情報ゲインをGPUにより高速化する手法を提案する。 視点と最適化されたヨーとの依存関係を維持するために、計画木を深く評価する。 実験では、過去の調査終了時間と同様に、時間の30%を95%まで短縮した。
• 参考スコア（独自算出の注目度）: 2.536160127321797
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autonomous exploration demands that robots continuously evaluate candidate viewpoints based on their expected information gain and execution cost. Sampling-based planners estimate this gain by volumetric raycasting and, due to its computational cost, evaluate candidates under an assumption of mutual independence, ignoring the overlap between viewpoints along the same path. This work presents a GPU-accelerated method for computing path-dependent marginal information gain, where instead of storing and merging the observed unknown voxels along each candidate path, previous observations are represented using depth buffers. Candidate rays are projected into the depth buffers of their ancestors to identify observation overlap and exclude regions expected to be observed. The planning tree is evaluated in depth order to maintain the dependency between viewpoints and their optimized yaws, while candidate nodes and rays at each level are processed in parallel on the GPU. The proposed method stays within 5-10% of the exact marginal gain computed using voxel hash maps, with speed-ups of up to 118x on a desktop GPU and 28x on an NVIDIA Jetson Orin NX. The method was integrated into two sampling-based exploration planners and evaluated in three simulation environments, where marginal gain reduced the time to 95% coverage in five of the six evaluated planner-environment combinations. Real-world experiments also showed a 30% reduction in the time to 95% coverage, as well as earlier exploration termination times.
• Abstract（参考訳）: 自律的な探索は、ロボットが期待する情報獲得と実行コストに基づいて、候補視点を継続的に評価することを要求する。 サンプリングベースのプランナーは、ボリュームレイキャストによってこの利益を推定し、計算コストのため、同一経路に沿った視点間の重複を無視して、相互独立を前提とした候補を評価する。 本研究では,各経路に沿って観測された未知のボクセルを格納・マージする代わりに,従来の観測結果を深度バッファーを用いて表現する,経路依存の限界情報ゲインをGPUで高速化する手法を提案する。 候補線は祖先の深さバッファに投影され、観測重複を識別し、観測されるであろう領域を除外する。 計画木は、視点と最適化されたヨー間の依存性を維持するために深さ的に評価され、各レベルの候補ノードと線はGPU上で並列に処理される。 提案手法は、ボクセルハッシュマップを用いて計算した正差利得の5～10%以内に留まり、デスクトップGPUでは118倍、NVIDIA Jetson Orin NXでは28倍のスピードアップを行う。 この手法は2つのサンプリング・ベースの探査プランナーに統合され、3つのシミュレーション環境で評価され、6つの評価プランナーと環境の組み合わせのうち5つで限界ゲインが95%まで短縮された。 実世界の実験では、以前の調査終了時間と同様に、時間の30%を95%まで短縮した。

関連論文リスト

• Learning to Plan from Random Exploration [52.35271095559327]
  ランダム探索を用いて,目標が特定される前に,環境をどう移動させるかを示す。 実験では、状態と画像を用いたランダムな探索から長距離迷路計画を示す。 さらに、ランダムな探索からエゴセントリックなナビゲーションや、最適下データからの操作計画についても紹介する。
  論文  参考訳（メタデータ） (2026-09-29T18:38:49Z)
• All Roads Lead to Rome: Flow-driven Multi-Anchor Exploration for Open-Environment Active 3D Mapping [54.90158288791037]
  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。
  論文  参考訳（メタデータ） (2026-09-29T07:20:32Z)
• WISE: A Lightweight, Weakly-Supervised Model for Onboard Fire Smoke Detection and Localization [55.18555004736124]
  WISE (Weakly-supervised Inference- efficient Smoke extract) は, 着火煙の検出と位置推定のための配置指向フレームワークである。 3つのモデル変種は平均推定時間0.10秒、0.14秒、0.26秒を達成し、オンボードの資源制限内でほぼリアルタイムなタイル当たりの推測を示す。 最もパフォーマンスの良い変種は平均タイルレベルF1スコアが0.964、平均ピクセルレベルF1スコアが10ランで0.750、パラメータが0.12Mで約3GFLOPである。
  論文  参考訳（メタデータ） (2026-09-16T07:00:48Z)
• 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)
• Asymptotically-Bounded 3D Frontier Exploration enhanced with Bayesian Information Gain [3.746889836344766]
  本稿では,予測可能な有界性能を有するOctoMapベースのフロンティア探索アルゴリズムを提案する。 我々のアプローチは、$mathcalO(|mathcalF|)$の複雑さを維持している。 我々はベイズ回帰器を統合して情報ゲインを推定し、未知のボクセルを明示的にカウントする必要性を回避する。
  論文  参考訳（メタデータ） (2026-04-03T12:52:33Z)
• Viewpoint-Agnostic Grasp Pipeline using VLM and Partial Observations [0.6263680699548958]
  本稿では,言語誘導型把握のためのエンドツーエンドパイプラインを提案し,実際のロボット上での動作を安全に把握するために,自由語彙選択をブリッジする。 自然言語コマンドを与えられたシステムは、オープン語彙検出と即時インスタンスセグメンテーションを使用して、ターゲットをRGBにグラウンドする。 次に、衝突フィルタ6-DoFグルーピング候補を生成し、到達可能性、アプローチ可能性、クリアランスを考慮に入れた安全指向のグルーピングを用いて実行可能なグルーピングを選択する。
  論文  参考訳（メタデータ） (2026-03-09T00:42:32Z)
• Kernel Representation and Similarity Measure for Incomplete Data [55.62595187178638]
  不完全データの類似性を測定することは、Webマイニング、レコメンデーションシステム、ユーザー行動分析において基本的な課題である。 従来のアプローチでは、不完全なデータを破棄するか、事前処理のステップとして計算を実行するかのいずれかであり、情報損失と類似性のバイアスが生じる。 本稿では,カーネルの特徴空間における不完全データ間の類似性を,元の空間における明示的な計算なしで直接計算する,新しい類似度尺度を提案する。
  論文  参考訳（メタデータ） (2025-10-15T09:41:23Z)
• Rapid and robust endoscopic content area estimation: A lean GPU-based pipeline and curated benchmark dataset [3.1993890965689666]
  コンテンツ領域の推定は、内視鏡画像処理やコンピュータビジョンパイプラインにおいて一般的な課題である。 本稿では、エッジ検出と円の嵌合を組み合わせたリーンGPUベースの計算パイプラインの2つの変種を提案する。 そこで本研究では,手動による注釈付きおよび疑似ラベル付きコンテンツ領域の1次データセットを,外科的適応の範囲にわたって提示する。
  論文  参考訳（メタデータ） (2022-10-26T15:10:44Z)
• Convex Hull Prediction for Adaptive Video Streaming by Recurrent Learning [38.574550778712236]
  本稿では,コンテンツ認識凸船体予測の深層学習に基づく手法を提案する。 再帰的畳み込みネットワーク(RCN)を用いて,映像の複雑さを暗黙的に解析し,その凸殻を予測する。 提案するモデルでは, 最適凸殻の近似精度が向上し, 既存の手法と比較して, 競争時間の節約が期待できる。
  論文  参考訳（メタデータ） (2022-06-10T05:11:02Z)
• Accelerating Training and Inference of Graph Neural Networks with Fast Sampling and Pipelining [58.10436813430554]
  グラフニューラルネットワーク(GNN)のミニバッチトレーニングには、多くの計算とデータ移動が必要である。 我々は,分散マルチGPU環境において,近傍サンプリングを用いたミニバッチトレーニングを行うことを支持する。 本稿では,これらのボトルネックを緩和する一連の改良点について述べる。 また,サンプリングによる推論を支援する実験分析を行い,試験精度が実質的に損なわれていないことを示す。
  論文  参考訳（メタデータ） (2021-10-16T02:41:35Z)

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。