論文の概要: GlassGuard: Verified Glass Plane Mapping for Robot Navigation
- arxiv url: http://arxiv.org/abs/2610.02110v1
- Date: Thu, 01 Oct 2026 17:31:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-03 01:19:24.333222
- Title: GlassGuard: Verified Glass Plane Mapping for Robot Navigation
- Title（参考訳）: GlassGuard:ロボットナビゲーションのための検証済みガラス平面マッピング
- Abstract要約: GlassGuardは、ビジュアルおよびLiDARエビデンスからアーキテクチャガラスを再構築するためのナビゲーション指向のフレームワークである。
我々はGlassGuardを1時間2.1kmの現実世界のロボットで、様々なガラス構造、空間スケール、照明条件にまたがる9つの建物スケールのシーンで評価した。
- 参考スコア（独自算出の注目度）: 4.702093247949265
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Transparent and specular surfaces pose a serious challenge to LiDAR-based SLAM and navigation because laser returns may pass through glass, leaving collision boundaries absent from the map. Prior work attempts to reconstruct the missing surfaces, but inaccurate obstacle placement can create the opposite failure: contamination of traversable free space. Recognizing this dual requirement, we present GlassGuard, a navigation-oriented framework for reconstructing planar architectural glass from complementary visual and LiDAR evidence. We formulate success in terms of both glass coverage and free-space contamination and apply this principle throughout proposal verification and global map construction. A foundation vision model provides glass-instance masks, structural 3D cues generate metric plane hypotheses, and depth-free 2D projective geometry checks their orientations before they enter a consolidated global map. We evaluate GlassGuard in nine building-scale scenes spanning diverse glass structures, spatial scales, and lighting conditions, with more than one hour and 2.1 km of real-world robot traversal. GlassGuard achieves 85% of total glass coverage for its panoramic version. Under identical pinhole inputs, GlassGuard achieves 82% total coverage, compared with at most 61% for the evaluated baselines, while producing 5-17x fewer false voxels per frame. Qualitative examples with a navigation planner illustrate the reconstructed planes blocking paths through glass while leaving traversable routes open. The project page is available at https://glassguardproject.github.io/.
- Abstract（参考訳）: 透明で特異な表面は、レーザーがガラスを通過する可能性があるため、LiDARベースのSLAMとナビゲーションにとって深刻な課題となる。
それまでの作業では、欠落した表面を再構築しようと試みていたが、不正確な障害物配置は反対の失敗を生んだ: トラバーサブルな自由空間の汚染。
この2つの要件を認識したGlassGuardは、相補的な視覚的およびLiDAR証拠から平面構造ガラスを再構成するためのナビゲーション指向のフレームワークである。
我々は,ガラス被覆と自由空間汚染の両面での成功を定式化し,この原理を提案検証とグローバルマップ構築を通じて適用する。
基礎的な視覚モデルでは、ガラスインスタンスマスクが提供され、構造的な3Dキューが計量平面仮説を生成し、奥行きのない2D射影幾何学は、統合されたグローバルマップに入る前に方向をチェックする。
我々はGlassGuardを1時間2.1kmの現実世界のロボット走行で、ガラス構造、空間スケール、照明条件にまたがる9つの建物スケールのシーンで評価した。
GlassGuardはパノラマ版のガラスカバーの85%を達成している。
同一のピンホール入力の下では、GlassGuardは、評価ベースラインに対して少なくとも61%、フレーム当たり5-17倍の偽のボクセルを生成するのに対して、全カバレッジを82%達成している。
ナビゲーションプランナーの定性的な例は、移動可能なルートを開いている間、ガラスを通る経路を遮蔽する再構成された平面を描いている。
プロジェクトページはhttps://glassguardproject.github.io/.com/で公開されている。
関連論文リスト
- GlassFormer: Learning Real-time Glass Segmentation using Radar-Depth Fusion [8.914813483156736]
透明な表面は構築された環境ではユビキタスだが、ロボット知覚の持続的な障害ケースとして残っている。
RGBカメラは、表面ではなくガラスの後ろの背景を認識するが、LiDAR、飛行時間、RGB-Dのような深度センサーは、透明な領域での背景測定を無効にすることが多い。
既存のガラスセグメンテーションアプローチは、RGB画像からリフレクション、バウンダリ、セマンティックコンテキストなどの視覚的手がかりを学習することでこの問題に対処する。
本稿では,RGB-Dセンシングでミリ波レーダを融合したマルチモーダルフレームワークを提案する。
論文 参考訳（メタデータ） (2026-09-29T06:56:42Z) - Glass Surface Detection Grounded in 3D Visual Geometry [118.92003088760919]
ガラス表面検出(GSD)はシーン理解と再構築に重要である。
ガラス表面の物理的存在を明示的にモデル化するために、3次元視覚幾何学でGSDを接地するパラダイムシフトを提案する。
提案手法はまず,視覚幾何学的基底変換器 (VGGT) からリッチな3D前駆体を蒸留し,ガラスを意識した3D表現を生成する。
論文 参考訳（メタデータ） (2026-08-27T07:49:21Z) - SILICA: Repurposing Diffusion Priors for Joint Glass Segmentation and Depth Estimation [11.131505915750013]
標準的な深度センサーは、透明な表面で体系的に失敗し、破損した3Dマップとナビゲーションハザードを生成する。
SILICAは、テキストと画像の拡散モデルを利用して、ガラスのセグメンテーションとガラスの認識深度を共同で予測する統合パイプラインである。
SILICAは、多様な、目に見えない環境にまたがる顕著なゼロショット転送を実現し、最先端のモデルを約20%上回っている。
論文 参考訳（メタデータ） (2026-07-27T10:38:49Z) - ActMVS: Active Scene Reconstruction with Monocular Multi-View Stereo [19.601265692718787]
アクティブなシーン再構築により、ロボットやUAVは、手作業によるデータ取得を伴わずに、自律的に軌道を計画し、環境を再構築することができる。
単分子アクティブリコンストラクションのための最初のフレームワークである ActMVS を紹介する。
本フレームワークは,多視点ステレオ深度予測のためのビューファクタグラフ構築とグローバル深度最適化を統合した。
論文 参考訳（メタデータ） (2026-05-31T17:51:47Z) - Enhancing Glass Surface Reconstruction via Depth Prior for Robot Navigation [3.49604158786247]
本研究では,奥行き基礎モデルを構造的先行として活用する学習自由フレームワークを提案する。
ガラス領域に対して幾何学的に導出された基底真理を持つ新しいRGB-DデータセットであるtiGlassReconについても紹介する。
論文 参考訳（メタデータ） (2026-04-20T14:35:31Z) - Glass Surface Detection: Leveraging Reflection Dynamics in Flash/No-flash Imagery [82.6332672749888]
ガラスの表面は日常生活においてユビキタスであり、通常は無色で透明で、特徴に欠ける。
NFGlassNetは,フラッシュ/ノフラッシュ画像に現れる反射ダイナミクスを利用するガラス表面検出の新しい手法である。
論文 参考訳（メタデータ） (2025-11-21T02:00:17Z) - RaySt3R: Predicting Novel Depth Maps for Zero-Shot Object Completion [49.933001840775816]
RaySt3Rは、新しいビュー合成問題として、3D形状の完成をリキャストする。
フィードフォワード変換器をトレーニングし、深度マップ、オブジェクトマスク、およびクエリ線に対する画素ごとの信頼スコアを予測する。
RaySt3Rは、これらの予測を複数のクエリビューに融合して、完全な3D形状を再構築する。
論文 参考訳（メタデータ） (2025-06-05T17:43:23Z) - Weak-to-Strong 3D Object Detection with X-Ray Distillation [75.47580744933724]
本稿では,既存の任意の3Dオブジェクト検出フレームワークにシームレスに統合する多目的手法を提案する。
オブジェクト・コンプリートフレームを用いたX線蒸留は、教師付き設定と半教師付き設定の両方に適している。
提案手法は,半教師あり学習における最先端の手法を1-1.5mAPで超越する。
論文 参考訳（メタデータ） (2024-03-31T13:09:06Z) - Leveraging RGB-D Data with Cross-Modal Context Mining for Glass Surface Detection [47.87834602551456]
ガラスの表面は、現代の建物が多くのガラスパネルを使用する傾向にあるため、ますます広くなっている。
これは、ロボット、自動運転車、ドローンなどの自律システムの運用に重大な課題をもたらす。
RGBと深度情報を組み合わせた新しいガラス表面検出フレームワークを提案する。
論文 参考訳（メタデータ） (2022-06-22T17:56:09Z) - HDNET: Exploiting HD Maps for 3D Object Detection [99.49035895393934]
高精細度(hd)マップは、現代の3dオブジェクト検出器の性能と頑健性を高める強力な事前情報を提供する。
我々はHDマップから幾何学的特徴と意味的特徴を抽出する単一ステージ検出器を設計する。
地図は至る所では利用できないため、生のLiDARデータからフライ時の地図を推定するマップ予測モジュールも提案する。
論文 参考訳（メタデータ） (2020-12-21T21:59:54Z)
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。