論文の概要: LynxScenes: A Large-Scale Real-World Benchmark for Outdoor Wheel-Legged Robot Perception, Navigation, Imagination and Reconstruction
- arxiv url: http://arxiv.org/abs/2610.18093v2
- Date: Sat, 17 Oct 2026 00:41:09 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-10-20 11:47:23.730185
- Title: LynxScenes: A Large-Scale Real-World Benchmark for Outdoor Wheel-Legged Robot Perception, Navigation, Imagination and Reconstruction
- Title（参考訳）: LynxScenes: 外輪脚ロボットの知覚、ナビゲーション、イマジネーション、再構築のための大規模実世界ベンチマーク
- Abstract要約: 我々はLynxScenesを紹介した。LynxScenesは大規模な実世界のデータセットであり、LYNX M20車輪脚ロボットで収集されたベンチマークである。
833.6 hと3,294.7 kmにまたがる約100Kの30秒のナビゲーションクリップと3.0Mの注釈付きフレームを含んでいる。
LynxScenesは、命令条件付き軌道予測、BEVに基づく3Dオブジェクトと道路構造の認識、将来のシーン予測、マルチビューシーン再構築の4つの補完的なタスクをサポートしている。
- 参考スコア（独自算出の注目度）: 10.657795300831546
- License:
- Abstract: Wheel-legged robots operating in outdoor spaces shared with humans require accurate perception, socially compliant navigation, future-scene reasoning, and scene reconstruction. However, existing datasets typically support these capabilities in isolation and rarely provide dense spatial and behavior-level supervision on real wheel-legged platforms. We introduce LynxScenes, a large-scale real-world dataset and benchmark collected with a LYNX M20 wheel-legged robot. It contains approximately 100K 30-s navigation clips spanning 833.6 h and 3,294.7 km, with 3.0M annotated frames. The synchronized recordings include four fisheye cameras, dual LiDARs, IMU, odometry, and robot states. Annotations comprise 20.82M oriented 3D boxes across 27 categories, 13.89M road-structure annotations, and 20 navigation instructions organized into three layers and aligned with continuous future trajectories. LynxScenes supports four complementary tasks: instruction-conditioned trajectory prediction, BEV-based perception of 3D objects and road structures, future scene prediction, and multi-view scene reconstruction. For trajectory prediction, we further introduce a log-replay-based pseudo-closed-loop evaluator that measures safety, progress, and instruction compliance beyond trajectory imitation. Extensive evaluations across representative navigation, perception, world-model, and reconstruction methods reveal substantial remaining challenges in close-range outdoor robot navigation. The dataset and evaluation toolkit are planned for public release.
- Abstract（参考訳）: 人間と共有された屋外空間で動く車輪付きのロボットは、正確な認識、社会的に適合したナビゲーション、未来の推論、シーン再構築を必要とする。
しかし、既存のデータセットは通常これらの機能を分離してサポートしており、実際の車輪脚プラットフォーム上での空間的および行動レベルの集中的な監視はめったにない。
我々はLynxScenesを紹介した。LynxScenesは大規模な実世界のデータセットであり、LYNX M20車輪脚ロボットで収集されたベンチマークである。
833.6 hと3,294.7 kmにまたがる約100Kの30秒のナビゲーションクリップと3.0Mの注釈付きフレームを含んでいる。
同期録音には、4つの魚眼カメラ、デュアルLiDAR、IMU、オドメトリー、ロボット状態が含まれる。
アノテーションは、27のカテゴリにわたる20.82Mの3Dボックス、13.89Mの道路構造アノテーション、20のナビゲーション命令を3つの層に編成し、継続的な将来の軌道に合わせる。
LynxScenesは、命令条件付き軌道予測、BEVに基づく3Dオブジェクトと道路構造の認識、将来のシーン予測、マルチビューシーン再構築の4つの補完的なタスクをサポートしている。
トラジェクトリ予測には、ログ再生に基づく擬似クローズドループ評価器を導入し、トラジェクトリ模倣を超えた安全性、進捗、命令コンプライアンスを計測する。
代表的ナビゲーション、知覚、世界モデル、再構築手法にわたる広範囲な評価は、近距離屋外ロボットナビゲーションにおいて大きな課題であることを示している。
データセットと評価ツールキットは、パブリックリリースに向けて計画されている。
関連論文リスト
- Robostral Navigate [138.74472687550374]
Robostral Navigateは、大規模なナビゲーションシステムのための視覚言語モデルである。
モノラルなRGB画像のストリームのみを消費し、現在のカメラビューの次のターゲット位置を指して、ウェイポイントを予測する。
我々は、実世界のデータ収集への依存を減らすため、350kのシミュレートされたシーンに240万のトラジェクトリを生成します。
論文 参考訳（メタデータ） (2026-07-22T23:13:05Z) - GRAIL: Generating Humanoid Loco-Manipulation from 3D Assets and Video Priors [113.71148915419246]
GRAILは3Dアセット、シミュレーター対応シーン、およびビデオファンデーションモデル(VFM)の先行データで構成され、物理的環境を再構築したりロボットを遠隔操作したりすることなく対話を合成するデジタル生成パイプラインである。
GRAILは、オブジェクト形状、カメラパラメータ、メートル法スケール、環境深度、ロボットが提案する文字がビデオ生成の前に知られ、再構成中に再利用される、完全に定義された3D構成から始まる。
我々は、回復した動作をヒューマノイドロボットに再ターゲティングし、補完的なタスク・ジェネラル・モルフォロジー・トラッカーを訓練する。
GRAILは、ピックアップ、オブジェクト操作、着座にまたがる2万以上のシーケンスを生成する
論文 参考訳（メタデータ） (2026-06-03T17:57:45Z) - YOPO-Nav: Visual Navigation using 3DGS Graphs from One-Pass Videos [5.7772802828964664]
本稿では,環境を3次元ガウススプラッティング(3DGS)モデルと相互接続した空間表現に符号化するYOPO-Navを提案する。
ナビゲーション中、このフレームワークはロボットの現在の視覚的観察をこの表現と整列させ、それを実証された軌道に戻す行動を予測する。
本稿では,Clearpath Jackal ロボットを用いた YOPO-Campus のトラジェクトリに対する最近の視覚ナビゲーション手法のベンチマークを行った。
論文 参考訳（メタデータ） (2025-12-10T18:32:38Z) - Highly Accurate and Diverse Traffic Data: The DeepScenario Open 3D Dataset [30.40504152724041]
我々は,新しいモノクラーカメラドローン追跡パイプラインによって得られた6自由度境界ボックス軌道のDeepScenario Open 3Dデータセット(DSC3D)を紹介した。
当社のデータセットには、14種類のトラフィック参加者の175,000以上のトラジェクトリが含まれており、多様性とスケールの点で既存のデータセットを大きく上回っている。
動作予測,動作計画,シナリオマイニング,生成反応性トラフィックエージェントなど,複数のアプリケーションにまたがる実用性を実証する。
論文 参考訳（メタデータ） (2025-04-24T08:43:48Z) - RoboSense: Large-scale Dataset and Benchmark for Egocentric Robot Perception and Navigation in Crowded and Unstructured Environments [62.5830455357187]
我々は3種類のセンサー(Camera, LiDAR, Fisheye)をベースとした自我中心型マルチセンサデータ収集プラットフォームを構築した。
大規模なマルチモーダルデータセットであるRoboSenseは、エゴセントリックなロボット知覚を促進するために構築されている。
論文 参考訳（メタデータ） (2024-08-28T03:17:40Z)
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。