論文の概要: Semantic-Aware Predictive Mapping for Exploration and Navigation

• arxiv url: http://arxiv.org/abs/2610.10382v1
• Date: Wed, 07 Oct 2026 16:42:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:23.054136
• Title: Semantic-Aware Predictive Mapping for Exploration and Navigation
• Title（参考訳）: 探索とナビゲーションのための意味認識型予測マッピング
• Abstract要約: 本研究は, セマンティックドアキューが不明瞭領域周辺の幾何学的占有率マッピングを改善するかどうかを考察する。 ドアによるあいまいさを部分占有マップに挿入することで,CogniPlanデータセットのサブセットを変更する。 我々は、幾何学のみの制御モデルと、同じ修正データセットで訓練された意味学習モデルを比較し、そこでは意味学習モデルが追加のドアチャネルを受け取る。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predictive mapping can support robotic exploration and navigation by estimating unseen geometric layouts from partial occupancy observations. However, occupancy-only representations may fail to distinguish semantically different structures with similar geometry. This is particularly relevant for indoor doors, which may appear as occupied cells like walls but indicate possible connected rooms or corridors beyond the observed region. This work investigates whether semantic door cues improve predictive geometric occupancy mapping around such ambiguous regions. We modify a subset of the CogniPlan dataset by inserting door-induced ambiguities into partial occupancy maps while keeping the ground-truth layouts unchanged. We compare a geometry-only control model with a semantic-cued model trained on the same modified dataset, where the semantic-cued model receives an additional door channel. Evaluation uses L1 error, F1 score, and Intersection over Union (IoU) over both the full map and a 10-pixel door-region mask. Full-map performance remains broadly similar between models, but localized door-region results show a clear qualitative improvement: L1 decreases from 0.004342 to 0.000025, while F1 and IoU improve from 0.031311 and 0.015905 to 1.000000 and 1.000000, respectively. These results suggest that semantic cues can improve predictive occupancy completion in regions where geometric observations alone are ambiguous.
• Abstract（参考訳）: 予測マッピングは、部分占有観察から見えない幾何学的レイアウトを推定することにより、ロボットの探索とナビゲーションを支援することができる。 しかし、占有のみの表現は、類似した幾何学を持つ意味的に異なる構造を区別できないかもしれない。 これは特に室内のドアに関係しており、壁のような占有された細胞として現れるが、観察された領域の向こうの接続された部屋や廊下を示す。 本研究は, セマンティックドアキューが, このようなあいまい領域の周囲の幾何学的占有率マッピングを改善するかどうかを考察する。 我々は、接地構造を変更せずに、ドア誘起曖昧性を部分占有マップに挿入することで、CogniPlanデータセットのサブセットを変更する。 我々は、幾何学のみの制御モデルと、同じ修正データセットで訓練された意味学習モデルを比較し、そこでは意味学習モデルが追加のドアチャネルを受け取る。 評価はL1エラー、F1スコア、IoU(Intersection over Union)をフルマップと10ピクセルのドアエリアマスクの両方で使用する。 L1 は 0.004342 から 0.000025 に、F1 と IoU は 0.031311 から 0.015905 から 1.000000000 に、それぞれ改善されている。 これらの結果から,幾何学的観察のみが曖昧な地域では,セマンティック・キューが予測占有率を向上する可能性が示唆された。

関連論文リスト

• How to Reduce Localization Ambiguity? Geometry-Semantic Constrained BEV Representation Learning for Satellite-Ground Localization [13.630818527736215]
  衛星地上局地化は、地上カメラの測地衛星画像内の平面位置とヨー方向を推定する。 幾何学的制約付きBEV表現学習法であるGeoSem-BEVを提案する。
  論文  参考訳（メタデータ） (2026-09-30T06:59:24Z)
• MinCU: A Fine-Grained Benchmark for Grounded Minimal-Change Understanding in Image Pairs [75.68851107229308]
  マルチモーダル大言語モデル(MLLM)において、身近な画像間のきめ細かい相違の局所化と記述は、重要で未探索の能力である。 各サンプルは、対象カテゴリ、属性、カウント、空間的位置の1つの原子的変化によって異なる画像対から構成される。
  論文  参考訳（メタデータ） (2026-09-20T03:48:09Z)
• FoundationGeo: Learning Spatial Pixel-Wise Fields for Monocular Metric Geometry [52.232826445242644]
  FoundationGeoは空間キャリブレーションと原則データ設計による相対的および計量的予測を橋渡しする。 ステージ1は DINOv3 で初期化することで高忠実なアフィン不変幾何モデルを学ぶ。 ステージ2は、メートル法推定のためのピクセルワイドキャリブレーションフィールドを導入することで、グローバルなスケーリングを越えている。
  論文  参考訳（メタデータ） (2026-07-13T14:10:01Z)
• SASGeo: Stability-Aware Semantic Map Localization for GNSS-Denied UAVs -- A Framework and Synthetic Proof of Concept [0.0]
  sasは、永続的な構造を通して環境を表現するセマンティックマップローカライゼーションフレームワークである。 sasは意味的アライメント、グラフのエビデンス、特徴安定性と地理的特異性、明示的な肯定的/矛盾的/未知の観察、曖昧な修正の完全性を無視する。 予備実験は実飛行航法を検証せず、むしろ、構造的意味幾何学が制御された横方向の摂動の下で位置を識別できることを実証している。
  論文  参考訳（メタデータ） (2026-07-07T16:57:43Z)
• GEM-Occ: From Visual Geometry Evidence to Embodied Semantic Occupancy Memory [45.09153209869868]
  我々は、階層的な屋内占有ベンチマークであるHIOccを紹介し、ScanNet、ScanNet++、Matterport3Dを統合する。 また,意味的占有度マッピングのためのガウス的エビデンスメモリフレームワークであるGEM-Occを提案する。
  論文  参考訳（メタデータ） (2026-07-06T18:26:27Z)
• Rethinking the Pointer Loss in Table Structure Recognition: Geometry-Aware Pointer Loss for Spatial Locality [12.986158862036866]
  ポインタネットワークを用いたテーブル構造認識は、検出されたテキスト(またはセル)領域にタグをアライメントしながらHTMLシーケンスを予測することで、印象的な結果を得る。 ポインタネットワークが失敗すると、79.6%のエラーが発生する。 本研究では,地中真理に近接した空間的近さに基づくクロスエントロピー目的の重み付けを行うGAPロスを提案する。
  論文  参考訳（メタデータ） (2026-06-17T05:59:31Z)
• ATLAS: Constitution-Conditioned Latent Geometry and Redistribution Across Language Models and Neural Perturbation Data [0.0]
  構成条件付きポストトレーニングは、モデルが学習した表現幾何学の構造化摂動として分析することができる。 グラフ, モデル, 基板間の構成による隠れ状態構造をトレースする, 幾何学第一のプログラムATLASを紹介する。
  論文  参考訳（メタデータ） (2026-04-19T23:26:02Z)
• Contrastive Neighborhood Alignment [81.65103777329874]
  本稿では,学習特徴のトポロジを維持するための多様体学習手法であるContrastive Neighborhood Alignment(CNA)を提案する。 対象モデルは、対照的な損失を用いて、ソース表現空間の局所構造を模倣することを目的としている。 CNAは3つのシナリオで説明される: 多様体学習、モデルが元のデータの局所的なトポロジーを次元還元された空間で維持する、モデル蒸留、小さな学生モデルがより大きな教師を模倣するために訓練される、レガシーモデル更新、より強力なモデルに置き換えられる、という3つのシナリオである。
  論文  参考訳（メタデータ） (2022-01-06T04:58:31Z)
• SChME at SemEval-2020 Task 1: A Model Ensemble for Detecting Lexical Semantic Change [58.87961226278285]
  本稿では,SemEval-2020 Task 1における語彙意味変化の教師なし検出法であるSChMEについて述べる。 SChMEは、分布モデル(単語埋め込み)とワード周波数モデルの信号を組み合わせたモデルアンサンブルを使用し、各モデルは、その特徴に応じて単語が苦しむ確率を示す投票を行う。
  論文  参考訳（メタデータ） (2020-12-02T23:56:34Z)

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。