論文の概要: Foundation-Model-Driven 3D Scene Graphs for Mobile Manipulation

• arxiv url: http://arxiv.org/abs/2610.23622v1
• Date: Fri, 16 Oct 2026 15:32:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.991817
• Title: Foundation-Model-Driven 3D Scene Graphs for Mobile Manipulation
• Title（参考訳）: モバイル操作のためのファンデーションモデル駆動型3次元シーングラフ
• Abstract要約: Geometric and Semantic Foundationのモデルは、ロボットのための空間地図を作成するための人気ツールになりつつある。 最近の研究(例えば、FOUND-IT)では、これらのツールを活用して、1台のカメラからリアルタイム、タスク駆動、オープンセットの3Dシーングラフを構築している。 FOUND-ITをモバイルマニピュレータプラットフォームに統合し、複数の目的をサポートするのに適していることを示す。
• 参考スコア（独自算出の注目度）: 23.25592026519944
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Geometric and Semantic Foundation models are becoming increasingly popular tools for generating spatial maps for robots. Recent work (e.g., FOUND-IT) has leveraged these tools to construct real-time, task-driven, and open-set 3D scene graphs from a single uncalibrated camera. However, while classical robot mapping techniques have undergone extensive system demonstrations, limited work has been done to develop both the fundamental and the systems wide advancements needed to integrate these new types of robot spatial memory into a full, useable autonomy pipeline. In this paper, we bridge this gap, and in doing so we also evaluate the effectiveness and limitations of this type of 3D memory. Towards this end, we integrate FOUND-IT into a mobile manipulator platform and demonstrate it is well-suited to support multiple objectives such as object change detection, support for multiple mapping sessions, determination of navigable paths, and directly support object grasping for the task of scene re-arrangement. Furthermore, we provide nuanced insights into the effectiveness and limitations of a monocular, foundation-model-driven 3D scene graph construction system using observations from rigorous on-robot experiments. Code is available at https://github. com/MIT-SPARK/FOUND-IT.
• Abstract（参考訳）: Geometric and Semantic Foundationのモデルは、ロボットのための空間地図を作成するための人気ツールになりつつある。 最近の研究(例えば、FOUND-IT)では、これらのツールを利用して、1台のカメラからリアルタイム、タスク駆動、オープンセットの3Dシーングラフを構築している。 しかし,従来のロボットマッピング技術はシステムの実演が盛んに行われているが,これらの新しいタイプの空間記憶を完全な自律パイプラインに統合するためには,基本とシステムの両方の開発が限られている。 本稿では,このギャップを埋めるとともに,このタイプの3Dメモリの有効性と限界も評価する。 この目的に向けて、FOUND-ITをモバイルマニピュレータプラットフォームに統合し、オブジェクト変更検出、複数マッピングセッションのサポート、ナビゲーション可能なパスの決定、シーン再配置のタスクに対するオブジェクトの把握の直接サポートなど、複数の目的をサポートするのに適していることを示す。 さらに,厳密なロボット実験から得られた観測データを用いて,単分子・基礎モデル駆動型3次元シーングラフ構築システムの有効性と限界に関する微妙な知見を提供する。 コードはhttps://github.comで入手できる。 略称はMIT-SPARK/FOUND-IT。

関連論文リスト

• ArtiSG: Functional 3D Scene Graph Construction via Human-demonstrated Articulated Objects Manipulation [51.54082859171464]
  ArtiSGは、人間のデモを構造化されたロボットメモリにエンコードすることで、機能的な3Dシーングラフを構築するフレームワークである。 本研究では,ArtiSGが機能的要素リコールおよび調音推定精度において,ベースラインを著しく上回ることを示す。
  論文  参考訳（メタデータ） (2025-12-31T13:10:40Z)
• What Is The Best 3D Scene Representation for Robotics? From Geometric to Foundation Models [68.35971238810863]
  現在のSLAMとローカライゼーションシステムは、点雲やボクセルのようなスパース表現に依存している。 NeRF、3DGS、ファンデーションモデルは、ハイレベルなセマンティック機能と言語ベースの先行機能を統合するのに適している。
  論文  参考訳（メタデータ） (2025-12-03T03:57:01Z)
• Pixels-to-Graph: Real-time Integration of Building Information Models and Scene Graphs for Semantic-Geometric Human-Robot Understanding [6.924983239916623]
  画像画素とLiDARマップから構造化されたシーングラフをリアルタイムに生成する,新しい軽量な手法である Pixels-to-Graph (Pix2G) を紹介する。 このフレームワークは、オンボードの計算制約を満たすためだけにCPU上のすべての操作を実行するように設計されている。 提案手法は,NASA JPL NeBula-Spot脚ロボットを用いた実世界の実験において,定量的に定性的に評価される。
  論文  参考訳（メタデータ） (2025-06-27T19:23:31Z)
• FunGraph: Functionality Aware 3D Scene Graphs for Language-Prompted Scene Interaction [1.8124328823188356]
  本研究の目的は,ロボットが環境と直接対話できる表現を開発することである。 我々は、より細かな解像度でオブジェクトを検出し、保存することに集中し、価格関連部品に焦点をあてる。 現在利用可能な3Dリソースを活用して、2Dデータを生成し、検出器をトレーニングし、標準の3Dシーングラフ生成パイプラインを拡張するために使用します。
  論文  参考訳（メタデータ） (2025-03-10T23:13:35Z)
• GaussRender: Learning 3D Occupancy with Gaussian Rendering [86.89653628311565]
  GaussRenderは、投影的一貫性を強制することによって3D占有学習を改善するモジュールである。 提案手法は,不整合な2次元プロジェクションを生成する3次元構成をペナライズすることにより,より一貫性のある3次元構造を実現する。
  論文  参考訳（メタデータ） (2025-02-07T16:07:51Z)
• Neural Scene Representation for Locomotion on Structured Terrain [56.48607865960868]
  本研究では,都市環境を横断する移動ロボットの局所的な地形を再構築する学習手法を提案する。 搭載されたカメラとロボットの軌道からの深度測定のストリームを用いて、ロボットの近傍の地形を推定する。 ノイズ測定とカメラ配置の盲点からの大量の欠落データにもかかわらず,シーンを忠実に再構築する3次元再構成モデルを提案する。
  論文  参考訳（メタデータ） (2022-06-16T10:45:17Z)
• Learnable Online Graph Representations for 3D Multi-Object Tracking [156.58876381318402]
  3D MOT問題に対する統一型学習型アプローチを提案します。 我々は、完全にトレーニング可能なデータアソシエーションにNeural Message Passing Networkを使用します。 AMOTAの65.6%の最先端性能と58%のIDスウィッチを達成して、公開可能なnuScenesデータセットに対する提案手法のメリットを示す。
  論文  参考訳（メタデータ） (2021-04-23T17:59:28Z)
• CRAVES: Controlling Robotic Arm with a Vision-based Economic System [96.56564257199474]
  現実のタスクを達成するためにロボットアームを訓練することは、アカデミックと産業の両方で注目を集めている。 本研究は,この分野におけるコンピュータビジョンアルゴリズムの役割について論じる。 本稿では,3次元モデルを用いて大量の合成データを生成する方法を提案する。
  論文  参考訳（メタデータ） (2018-12-03T13:28:29Z)

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。