論文の概要: STAG: A Sparse Traversability-Aware Graph Representation from Grid-Based Costmaps for Robotic Navigation
- arxiv url: http://arxiv.org/abs/2610.11943v1
- Date: Thu, 08 Oct 2026 13:33:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-10 02:36:54.044059
- Title: STAG: A Sparse Traversability-Aware Graph Representation from Grid-Based Costmaps for Robotic Navigation
- Title（参考訳）: STAG:ロボットナビゲーションのためのグリッドベースのコストマップからのスパーストラバーサビリティ対応グラフ表現
- Abstract要約: 本稿では,Sparse Traversability-Aware Graphとして,高密度グリッドベースのコストマップをコンパクトグラフに変換するSTAGを紹介する。
STAGは中央値プランニング時間を3.4倍から9.9倍に、ピーククエリメモリを2.1倍から15.4倍に減らし、相対パス長の差は-2.9%と+7.6%である。
STAGはグローバルプランニングのためのコンパクトな表現を提供する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Autonomous rovers navigating large unstructured environments need efficient global planning that accounts for terrain traversability. However, searching dense grid-based costmaps becomes computationally expensive as the mapped area grows. We introduce STAG, a Sparse Traversability-Aware Graph that converts costmaps into compact graphs. STAG combines a medial-axis topological backbone, representative nodes for homogeneous traversability regions, and transition nodes near strong traversability gradients. Edges encode geometry and traversability to account for path length and terrain difficulty. We compare A* on STAG and dense grids using synthetic cave maps, mine maps and the DARPA CERBERUS dataset. Across five benchmark categories comprising 203 map instances and 101,200 queries, STAG reduces median planning time by 3.4x to 9.9x and peak query memory by 2.1x to 15.4x, with median relative path-length differences of -2.9% and +7.6%. STAG offers a compact representation for global planning, trading dense-grid traversability optimality for faster, less memory-intensive search.
- Abstract（参考訳）: 大規模な非構造環境を航行する自律型ローバーは、地形の移動性を考慮した効率的なグローバルプランニングが必要である。
しかし,高密度グリッドを用いたコストマップの検索は,地図化面積が大きくなるにつれて計算コストが高くなる。
本稿では,コストマップをコンパクトグラフに変換するSparse Traversability-Aware GraphであるSTAGを紹介する。
STAGは、中間軸のトポロジカルバックボーン、均質なトポロジビリティ領域のための代表ノード、強いトポロジビリティ勾配に近い遷移ノードを結合する。
エッジは、経路の長さと地形の難しさを考慮し、幾何学とトラバータビリティを符号化する。
合成洞窟地図,地雷地図,DARPA CERBERUSデータセットを用いて,STAG上のA*と高密度グリッドを比較した。
203のマップインスタンスと101,200のクエリからなる5つのベンチマークカテゴリで、STAGは中央計画時間を3.4xから9.9xに、ピーククエリメモリを2.1xから15.4xに減らし、相対パス長の差は-2.9%と+7.6%である。
STAGはグローバルプランニングのためのコンパクトな表現を提供する。
関連論文リスト
- Commerge: Communication-Efficient, Robust, and Fast LiDAR Map Merging Framework for Multi-Robot Coordination in Resource-Constrained Scenarios [7.138641272943063]
マルチロボットLiDARマップのマージにより、より高速な探索と効率的な地域被覆が可能となる。
しかし、マップのマージには、サーバとロボットの間で大量のセンサーデータを交換する必要がある。
グラフ理論選択的データ交換による帯域幅削減を実現するフレームワークであるCommergeを提案する。
論文 参考訳（メタデータ） (2026-06-24T04:33:32Z) - Road Maps as Free Geometric Priors: Weather-Invariant Drone Geo-Localization with GeoFuse [20.496826407313854]
ドローンビューのジオローカライゼーションは、しばしば悪天候下で撮影されたクエリードローン画像と、ジオタグ付き衛星画像のギャラリーとをマッチングすることを目的としている。
気象によって引き起こされるドローンの視界の劣化は、本質的なクロスビュー領域のギャップを著しく悪化させる。
衛星画像と正確に整列した道路地図タイルを統合したクロスモーダル融合フレームワークであるGeoFuseを紹介する。
論文 参考訳（メタデータ） (2026-05-14T15:01:22Z) - Blurred Encoding for Trajectory Representation Learning [56.642548506419]
トレイ表現学習(TRL)は、軌跡をベクトル埋め込みにマッピングし、軌跡分類や類似性探索などの作業を容易にする。
State-of-the-art (SOTA) TRL法は、生のGPSトラジェクトリをグリッドや道路トラジェクトリに変換し、ハイレベルな旅行セマンティクスをキャプチャする。
しかし、複数のGPSポイントが単一のグリッドセルまたは道路セグメントにグループ化されるため、細かな空間時間的詳細は失われます。
我々は,階層的パッチを作成するためにGPS座標の精度を徐々に低下させるBLUEと呼ばれるBLUrred jector法を提案する。
論文 参考訳（メタデータ） (2025-11-12T03:51:57Z) - OpenSatMap: A Fine-grained High-resolution Satellite Dataset for Large-scale Map Construction [65.4151284975348]
OpenSatMapは、大規模マップ構築のための細粒度で高解像度の衛星データセットである。
データセットの公開とメンテナンスにより、衛星ベースのマップ構築と、自律運転のような下流タスクのための高品質なベンチマークを提供する。
論文 参考訳（メタデータ） (2024-10-30T17:56:02Z) - Large-Scale Multi-Robot Coverage Path Planning via Local Search [3.396452421780085]
本稿では,複数のロボットのカバレッジパスを計算することを目的とした,グラフベースのマルチロボットカバレッジパス計画(MCPP)について検討する。
我々はLS-MCPPと呼ばれる新しいアルゴリズムフレームワークを導入し、ローカル検索を活用して$D$で直接操作する。
実験ではLS-MCPPの有効性を実証し,初期解法を一貫して改善した。
論文 参考訳（メタデータ） (2023-12-17T19:14:07Z) - InstaGraM: Instance-level Graph Modeling for Vectorized HD Map Learning [8.556482588459899]
オンラインハイデフィニション(HD)マップ構築は、ポーズの正確な推定において重要な役割を果たす。
オンラインHDマップ構築の最近の進歩は、ベクトル化表現について主に研究されている。
グラフモデリングを利用した新しいHDマップ学習フレームワークを提案する。
論文 参考訳（メタデータ） (2023-01-10T08:15:35Z) - GoRela: Go Relative for Viewpoint-Invariant Motion Forecasting [121.42898228997538]
精度や一般化を犠牲にすることなく、全てのエージェントとマップに対して効率的な共有符号化を提案する。
不均一空間グラフにおけるエージェントとマップ要素間の幾何学的関係を表現するために、ペアワイズ相対的な位置符号化を利用する。
我々のデコーダは視点非依存であり、レーングラフ上でエージェント目標を予測し、多様かつコンテキスト対応のマルチモーダル予測を可能にする。
論文 参考訳（メタデータ） (2022-11-04T16:10:50Z) - SPIN Road Mapper: Extracting Roads from Aerial Images via Spatial and
Interaction Space Graph Reasoning for Autonomous Driving [64.10636296274168]
道路抽出は、自律航法システムを構築するための重要なステップである。
この問題に対して単に畳み込みニューラルネットワーク(ConvNets)を使用することは、画像内の道路セグメント間の遠い依存関係をキャプチャする非効率であるため、効果がない。
本研究では,ConvNetに接続した時,特徴写像から投影された空間空間および相互作用空間上に構築されたグラフの推論を行う空間空間グラフ推論(SPIN)モジュールを提案する。
論文 参考訳（メタデータ） (2021-09-16T03:52:17Z) - HDMapGen: A Hierarchical Graph Generative Model of High Definition Maps [81.86923212296863]
HDマップは道路路面の正確な定義と交通ルールの豊富な意味を持つ地図である。
実際の道路トポロジやジオメトリはごくわずかで、自動運転スタックをテストする能力は著しく制限されています。
高品質で多様なHDマップを生成可能な階層グラフ生成モデルであるHDMapGenを提案する。
論文 参考訳（メタデータ） (2021-06-28T17:59:30Z) - DAGMapper: Learning to Map by Discovering Lane Topology [84.12949740822117]
我々は、分岐とマージによるトポロジー変化を含む多くのレーンを持つ複雑な高速道路のレーン境界を描くことに集中する。
グラフのノードがレーン境界の局所領域の幾何学的および位相的特性を符号化する有向非巡回グラフィカルモデル(DAG)における推論として問題を定式化する。
2つの異なる州における2つの幹線道路における我々のアプローチの有効性を示し、高い精度とリコールと89%の正しいトポロジーを示す。
論文 参考訳（メタデータ） (2020-12-22T21:58:57Z)
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。