論文の概要: MAPLE: Mondrian-Anchored Prior for Learning-free Indoor Exploration

• arxiv url: http://arxiv.org/abs/2610.28566v1
• Date: Tue, 20 Oct 2026 17:25:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.947833
• Title: MAPLE: Mondrian-Anchored Prior for Learning-free Indoor Exploration
• Title（参考訳）: MAPLE: 学習不要の屋内探査に先行するモンドリアン
• Abstract要約: 学習自由屋内探索(MAPLE)のためのモンドリアン・アンコレッド事前学習法について紹介する。 これは、現在の部分写像で観測された幾何学的手がかりに基づいて、モンドリアン過程をオンライン生成前条件に適応させる、トレーニングなしの予測手法である。 非予測探索よりも一貫して改善され、学習された予測アプローチと競合し続けている。
• 参考スコア（独自算出の注目度）: 0.5729426778193397
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Robots exploring unknown indoor environments must decide where to move while much of the environment remains unseen. Predicting the occupancy of unseen space beyond the current sensor range can improve these decisions, but recent approaches commonly rely on learned models that require offline training and repeated inference during exploration. We introduce the Mondrian-Anchored Prior for Learning-free Indoor Exploration (MAPLE), a training-free predictive approach that adapts the Mondrian process into an online generative prior conditioned on observed geometric cues in the current partial map. MAPLE generates multiple plausible map hypotheses and evaluates visibility separately within each to estimate frontier gain, preserving differences in predicted visibility across hypotheses. Across KTH floor-plans and real-SLAM environments at multiple sensor ranges, MAPLE consistently improves over non-predictive exploration and remains competitive with learned predictive approaches. Its lightweight procedural construction enables predictive exploration with limited computational resources. Experimental results further show that more accurate map prediction does not necessarily produce better exploration, highlighting the importance of how predictions are represented and used in exploration decisions.
• Abstract（参考訳）: 未知の屋内環境を探索するロボットは、環境の多くが見えないまま、どこに移動するかを決定する必要がある。 現在のセンサー範囲を超えて見えない空間の占有を予測することは、これらの決定を改善することができるが、最近のアプローチは、通常、探索中にオフライントレーニングと繰り返し推論を必要とする学習モデルに依存している。 学習自由屋内探索(MAPLE)は,モンドリアン過程を,現在の部分地図における幾何学的手がかりに基づくオンライン生成前条件に適応させる学習自由な予測手法である。 MAPLEは複数の可視性マップ仮説を生成し、それぞれ別々に可視性を評価してフロンティアゲインを推定し、仮説間で予測される可視性の違いを保存する。 複数のセンサー範囲におけるKTHフロアプランとリアルタイムSLAM環境全体において、MAPLEは予測不可能な探索よりも常に改善され、学習された予測アプローチと競合し続けている。 その軽量な手続き構成は、限られた計算資源による予測探索を可能にする。 さらに実験結果から、より正確な地図予測が必ずしもより良い探索をもたらすとは限らないことが示され、探索決定においてどのように予測が表現され、使用されるかの重要性が強調された。

関連論文リスト

• Learning to Plan from Random Exploration [52.35271095559327]
  ランダム探索を用いて,目標が特定される前に,環境をどう移動させるかを示す。 実験では、状態と画像を用いたランダムな探索から長距離迷路計画を示す。 さらに、ランダムな探索からエゴセントリックなナビゲーションや、最適下データからの操作計画についても紹介する。
  論文  参考訳（メタデータ） (2026-09-29T18:38:49Z)
• All Roads Lead to Rome: Flow-driven Multi-Anchor Exploration for Open-Environment Active 3D Mapping [54.90158288791037]
  Open-Environment Active 3D Mappingは、見えないシナリオを再構築するために、長い水平かつ最も短い軌道探索を行うことを目的としている。 本研究では,フローマッチングを用いた条件付きマルチモーダルアンカー生成として,長距離目標予測を再構成する。 オープン環境における一般化と再構築の効率化を図る。
  論文  参考訳（メタデータ） (2026-09-29T07:20:32Z)
• WOLF: World Model Guided LiDAR Exploration with Predictive Frontiers [57.192711741481425]
  WOLFは、将来の観測を予測し、自律探査を強化する世界モデル誘導フレームワークである。 WOLFは、観測履歴と探索中の候補運動を組み合わせて、局所的占有率と可視性を予測する。 シミュレーションでは,ガレージにおけるEPICと比較して平均終端時間を10.9%削減する。
  論文  参考訳（メタデータ） (2026-09-20T14:09:26Z)
• MapEx: Indoor Structure Exploration with Probabilistic Information Gain from Global Map Predictions [6.420382919565209]
  我々は、しばしば予測可能で繰り返しパターンから構成される、構造化された屋内環境を探索するロボットに焦点を当てる。 近年の研究では、深層学習技術を用いて地図の未知領域を予測し、これらの予測を情報ゲイン計算に利用している。 本研究では,予測地図を用いて情報ゲイン推定のための確率的センサモデルを構築する新しい探索フレームワークであるMapExを紹介する。
  論文  参考訳（メタデータ） (2024-09-23T22:48:04Z)
• Towards Motion Forecasting with Real-World Perception Inputs: Are End-to-End Approaches Competitive? [93.10694819127608]
  実世界の知覚入力を用いた予測手法の統一評価パイプラインを提案する。 我々の詳細な調査では、キュレートされたデータから知覚ベースのデータへ移行する際の大きなパフォーマンスギャップが明らかになりました。
  論文  参考訳（メタデータ） (2023-06-15T17:03:14Z)
• Predictive World Models from Real-World Partial Observations [66.80340484148931]
  本研究では,現実の道路環境に対する確率論的予測世界モデル学習のためのフレームワークを提案する。 従来の手法では、学習のための基礎的真理として完全状態を必要とするが、HVAEが部分的に観察された状態のみから完全状態を予測することを学べる新しい逐次訓練法を提案する。
  論文  参考訳（メタデータ） (2023-01-12T02:07:26Z)
• Learning-Augmented Model-Based Planning for Visual Exploration [8.870188183999854]
  学習型モデルベースプランニングを用いた新しい探索手法を提案する。 室内シーンの視覚センシングとセマンティックマッピングの進歩が活用される。 提案手法は,2.1%,RLに基づく探査手法8.4%を網羅的に上回っている。
  論文  参考訳（メタデータ） (2022-11-15T04:53:35Z)
• Behavioral Intention Prediction in Driving Scenes: A Survey [70.53285924851767]
  行動意図予測(BIP)は、人間の思考過程をシミュレートし、特定の行動の早期予測を満たす。 この作業は、利用可能なデータセット、重要な要因と課題、歩行者中心および車両中心のBIPアプローチ、BIP対応アプリケーションからのBIPの包括的なレビューを提供する。
  論文  参考訳（メタデータ） (2022-11-01T11:07:37Z)

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。