論文の概要: TRACE: Privacy-Preserving Next-Best-View Selection over Distributed 3D Gaussian-Splat Maps

• arxiv url: http://arxiv.org/abs/2610.00822v1
• Date: Wed, 30 Sep 2026 23:32:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:23.803932
• Title: TRACE: Privacy-Preserving Next-Best-View Selection over Distributed 3D Gaussian-Splat Maps
• Title（参考訳）: TRACE: 分散3次元ガウスプレートマップ上でのプライバシ保護による次世代ビュー選択
• Abstract要約: ロボットのチームは、それぞれ独自の3Dガウススプラッティングマップを構築し、それをプライベートに保ちます。 ロボットは、自身の経路に沿ったスプラペットについて、最も期待されている情報ゲイン(EIG)でビューを選択する。 スプラッターの奥行きが2つのロボットのヒットと混ざり合わない限り、再建は正確であることを証明する。
• 参考スコア（独自算出の注目度）: 4.216010540139731
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Share the light, not the map. We study next-best-view selection for a team of robots, each of which builds its own 3D Gaussian Splatting map and keeps it private. A robot picks the view with the largest expected information gain (EIG) about the splats along its own path. This gain depends on the other maps. Their splats occlude its own and shine behind them, so the gain has to be evaluated against the pooled map. No robot has this map. We show that the coupling passes through only two ray quantities, the transmittance in front of a splat and the radiance behind it, and that both are sums over the hits of the ray. Hence, they decompose across the robots, and each robot sums them over depth bins in its own map, along the rays of a candidate view, and sends the sums with their pose derivatives. The robot planning the view turns them into its EIG and gradient on SO(3). Transmittance and Radiance Aggregates, communicated for the EIG, give the protocol its name: TRACE. No robot shares its splats, and the message size does not grow with a map. We prove that the reconstruction is exact unless a depth bin behind a splat mixes hits of two robots, and we bound the error otherwise. Over 100 next-best-view decisions in Habitat-Sim, TRACE picks a heading within 15 degrees of the centralized one in 83.3% of the cases, and its views reach 97.9% of the centralized EIG.
• Abstract（参考訳）: 地図ではなく、光をシェアしなさい。 ロボットのチームは、それぞれ独自の3Dガウススプラッティングマップを構築し、それをプライベートに保ちます。 ロボットは、自身の経路に沿ったスプラペットについて、最も期待されている情報ゲイン(EIG)でビューを選択する。 この利得は他の地図に依存する。 彼らのスプレートはそれ自身を遮蔽し、背後を照らすので、プールマップに対して利得を評価する必要がある。 この地図を持つロボットはいません。 結合は2つの光量(スプラッドの前方の透過率と後方の放射率)しか通過せず、どちらも光のヒットに対する和であることを示す。 そのため、ロボットはロボットを分解し、それぞれのロボットはそれぞれのマップの奥行きを、候補者の視線に沿って合計し、ポーズデリバティブで合計を送信します。 ビューを計画するロボットは、それらをEIGとSO(3)の勾配に変換する。 Transmittance and Radiance AggregatesはEIGによって通信され、プロトコルの名称はTRACEである。 ロボットはそのスプレートを共有しておらず、メッセージのサイズは地図では成長しない。 スプラッターの奥行きが2つのロボットのヒットを混合しない限り、再建は正確であることを証明し、それ以外はエラーを拘束する。 ハビタット・シムにおける100以上の次回のベストビュー決定において、TRACEは83.3%のケースで中央値の15度以内の地点を選定し、中央値の97.9%に達した。

関連論文リスト

• Splat-CBF: Safe Next-Best-View Control in 3D Gaussian-Splat Maps [0.0]
  Splat-CBFは、カメラを次のベストビューに向けて操るアクティブな知覚制御バリア機能である。 安全は、ガウス場の平均値-at-Riskを1つの滑らかなハード制約に変換するリスク認識制御バリア関数によって強制される。 知覚は第2の障壁によって実施され、ロボットの計画された経路近くで、期待されているフィッシャー情報を得たカメラオリエンテーションに報いる。
  論文  参考訳（メタデータ） (2026-09-19T16:14:46Z)
• Pandora: Articulated 3D Scene Graphs from Egocentric Vision [14.360977802295837]
  第一人マップ」は、その具現化やスキルセットによってロボット自身の限界を継承する。 我々は、人間として捉えた自我中心のデータを、Project Ariaグラスを装着したシーンで自然に探索する方法を示す。 また、これらのモデルを3次元シーングラフ表現に統合する方法を示し、オブジェクトのダイナミクスとオブジェクトとコンテナの関係をよりよく理解する。
  論文  参考訳（メタデータ） (2026-03-30T17:47:07Z)
• RoboTAG: End-to-end Robot Configuration Estimation via Topological Alignment Graph [62.270763554624615]
  単眼のRGB画像からロボットのポーズを推定することは、ロボット工学とコンピュータビジョンにおける課題である。 既存の手法は通常、2Dビジュアルバックボーン上にネットワークを構築し、トレーニングのためにラベル付きデータに大きく依存する。 ロボットトポロジカルアライメントグラフ(RoboTAG)を提案する。このグラフは3次元分岐を組み込んで3次元前処理を注入し、2次元および3次元表現の共進化を可能にする。
  論文  参考訳（メタデータ） (2025-11-11T00:49:15Z)
• Omni-Scan: Creating Visually-Accurate Digital Twin Object Models Using a Bimanual Robot with Handover and Gaussian Splat Merging [17.607640140471936]
  デジタルツイン」はシミュレーション、バーチャルリアリティ、マーケティング、ロボットポリシーの微調整、部分検査に有用である。 オムニ・スキャン(Omni-Scan)は、物体を1つのグリップでつかみ、静止カメラで物体を回転させるバイマニュアルロボットを用いて、高品質な3Dガウススプラモデルを生成するパイプラインである。 ロボットグリップが保持する物体を識別・分離するために,DepthAny-thing, Segment Anything, RAFT光フローモデルを用いたOmni-Scanロボットパイプラインを提案する。
  論文  参考訳（メタデータ） (2025-08-01T06:36:19Z)
• Social-Pose: Enhancing Trajectory Prediction with Human Body Pose [70.59399670794171]
  本研究では,人体ポーズを用いた人体軌道予測の利点について検討した。 我々は,シーン内のすべての人間のポーズとその社会的関係を効果的にキャプチャするアテンションベースのポーズエンコーダであるSocial-poseを提案する。
  論文  参考訳（メタデータ） (2025-07-30T14:58:48Z)
• Memorize What Matters: Emergent Scene Decomposition from Multitraverse [54.487589469432706]
  3次元ガウス写像は3次元ガウス写像をベースとしたカメラのみのオフラインマッピングフレームワークである。 3DGMは、同じ領域から複数のRGBビデオをガウスベースの環境マップに変換し、同時に2D短命なオブジェクトセグメンテーションを実行する。 We build the Mapverse benchmark, sourced from the Ithaca365 and nuPlan datasets, to evaluate our method in unsupervised 2D segmentation, 3D reconstruction, and Neural rendering。
  論文  参考訳（メタデータ） (2024-05-27T14:11:17Z)
• Exploring 3D Human Pose Estimation and Forecasting from the Robot's Perspective: The HARPER Dataset [52.22758311559]
  本研究では,ユーザとスポット間のダイアドインタラクションにおける3次元ポーズ推定と予測のための新しいデータセットであるHARPERを紹介する。 キーノーベルティは、ロボットの視点、すなわちロボットのセンサーが捉えたデータに焦点を当てることである。 HARPERの基盤となるシナリオには15のアクションが含まれており、そのうち10つはロボットとユーザの間の物理的接触を含んでいる。
  論文  参考訳（メタデータ） (2024-03-21T14:53:50Z)
• Online Concurrent Multi-Robot Coverage Path Planning [5.801044612920816]
  地平線では、経路計画と経路実行がインターリーブであり、経路のないロボットが経路計画を行う場合、優れた経路を持つロボットは実行しない。 地平線をベースとしない集中型アルゴリズムを提案する。 事前に割り当てられた目標に到達したロボットのサブセットに対して、いつでもパスを計画し、残りは傑出したパスを実行する。
  論文  参考訳（メタデータ） (2024-03-15T16:51:30Z)

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。