論文の概要: Memory-Aware Keyframe Management for Dense Maps on Memory-Constrained Robots

• arxiv url: http://arxiv.org/abs/2610.33574v1
• Date: Sat, 24 Oct 2026 10:03:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.364018
• Title: Memory-Aware Keyframe Management for Dense Maps on Memory-Constrained Robots
• Title（参考訳）: メモリ制約ロボットにおける高密度マップのためのメモリ対応キーフレーム管理
• Abstract要約: 言語モデルと高密度な3Dマップを1つのデバイスで実行することは、2つのメモリを1つ共有することを意味し、その限界はメモリ外障害である。 有界なワーキングセットを6-9のカウントで束縛するマップシステムは、それが持つものによって大きく異なるため、そのワークセットが占有するものを制御することはできない。 まず、常駐マップが使用するメモリは直接バウンドされ、全ての入場料は、データが読まれる前に知ることができる。 第二に、セマンティックゾーンは、ロボットが保持するように、意味空間単位(部屋と廊下)で認識され解放される。
• 参考スコア（独自算出の注目度）: 1.4474137122906165
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Running a language model and a dense 3D map on one device means the two share one memory, and exceeding its limit is an out-of-memory failure. Map systems that keep a bounded working set bound it by a count of keyframes, but the memory one keyframe occupies varies widely with what it carries, so a count does not control what the working set occupies. The unit of admission is as poorly matched, since a radius around the pose, a fixed cell, or the graph neighbors of the last matched keyframe all move parts of the map that are not needed. We therefore propose two decisions. First, the memory the resident map uses is bounded directly, and the cost of every admission is known before any data is read, from per-keyframe resident sizes computed offline and carried with the map. Second, keyframes are admitted and released at a semantic spatial unit, the rooms and corridors of the building, so that the robot holds the zone it occupies together with the zone it is about to enter while the zones it has passed are released. Every admission measures the resident total, makes room, and only then reads, so the budget is never overshot. On two NVIDIA Jetson boards the budget holds in every run and the model gives up at most 0.8 percent of its throughput, whereas without it the operating system kills the model or the map. Under that budget, and over the environments evaluated, admission by semantic zone localizes 6-9 points more of the query frames than a geometric partition of matched zone count and about twice as much as the retrieval of RTAB-Map, at a lower ATE. Bounding memory lets the map and the model coexist, and moving the map in semantic zones makes the bounded map usable.
• Abstract（参考訳）: 言語モデルと高密度な3Dマップを1つのデバイスで実行することは、2つのメモリを1つ共有することを意味し、その限界を超えることはメモリ外障害である。 有界なワーキングセットを保持するマップシステムは、多数のキーフレームによってバウンドされるが、メモリの1つのキーフレームが占有するメモリは、それが持つものによって大きく異なるため、作業セットが占有するものを制御することはできない。 入力の単位は、ポーズの周囲の半径、固定されたセル、または最後のマッチしたキーフレームのグラフ隣接部が、不要なすべてのマップを移動させるため、一致しない。 したがって、我々は2つの決定を下す。 まず、常駐マップが使用するメモリは直接バウンドされ、キーフレームごとの常駐サイズをオフラインで計算し、マップで保持するデータを読み取る前に、全ての入場料が分かる。 第二に、キーフレームは、ビルの部屋と廊下のセマンティックな空間単位で認識され解放されるので、ロボットは、通過しようとしているゾーンとともに、そのゾーンを占有し、通過するゾーンを解放する。 全ての入場料は、居住者の総計を測り、部屋を作り、その時だけ読書するので、予算は過小評価されない。 2つのNVIDIA Jetsonボードでは、予算は実行毎に保持され、モデルはスループットの少なくとも0.8%を放棄する。 その予算と評価された環境において、セマンティックゾーンによる入力は、一致したゾーン数の幾何学的分割よりも6-9ポイント多く、RTAB-Mapの検索の約2倍のクエリフレームを低いATEでローカライズする。 境界メモリにより、マップとモデルが共存し、セマンティックゾーンでマップを移動することで、境界マップが使用できるようになる。

関連論文リスト

• Hierarchical Fast-Slow ReAct Agent for Zero-Shot Object-Goal Navigation [3.8281938955545587]
  ゼロショットのオブジェクトゴールナビゲーションでは、ロボットが入力したことのない建物の中で名前の付いたオブジェクトカテゴリーを見つける必要がある。 我々は、ロボットがすでに見たものを熟考の対象にするシステムを開発した。 我々のシステムは、HM3D v1 val valで68.75%、MP3Dで47.29%に達する。
  論文  参考訳（メタデータ） (2026-08-10T16:34:26Z)
• A Survey of Spatial Memory Representations for Efficient Robot Navigation [4.560386676154887]
  52のシステムにまたがる88の参照の空間記憶効率の問題を調査した。 M_textpeak / M_textmap$は、ピーク時メモリ(操作中に消費される全RAMまたはGPUメモリ)と保存されたマップサイズとの比率である。
  論文  参考訳（メタデータ） (2026-04-13T02:12:17Z)
• Semantic Zone-Based Map Management for Stable AI-Integrated Mobile Robots [0.552480439325792]
  本稿では,メモリ制約下での高密度マップ利用を安定化するためのセマンティックゾーンベースのマップ管理手法を提案する。 大規模室内環境とNVIDIA Jetson Orin Nano上でのSLAM-VLM同時実行による提案手法の評価を行った。
  論文  参考訳（メタデータ） (2026-03-31T11:50:14Z)
• Memory-Efficient Boundary Map for Large-Scale Occupancy Grid Mapping [10.412534456908288]
  伝統的な占有グリッドマッピング手法は、環境を3つの占有状態(自由、占有、または未知)のうちの1つに関連付けて、ボクセルのグリッドに分割する。 これらの方法は、マッピングされたボリューム内のすべてのボクセルを明示的に保持し、その位置が該当するボクセルを直接クエリすることで、位置の占有状態を決定する。 しかし、すべてのグリッドボクセルを高解像度で大規模なシナリオで維持するには、かなりのメモリリソースが必要である。 本稿では,写像された体積の境界のみを保持する新しい表現を提案する。
  論文  参考訳（メタデータ） (2026-03-23T10:14:55Z)
• Semantic Zone based 3D Map Management for Mobile Robot [0.552480439325792]
  3Dマップは大量のメモリを消費するので、限られた計算資源内で完全なマップデータを維持することは困難である。 既存のSLAMフレームワークは通常、メモリ管理のために幾何学的距離や時間的メトリクスに依存している。 本稿では,そのパラダイムを幾何学中心の制御から意味論中心の制御へシフトさせるセマンティックゾーンに基づく3Dマップ管理手法を提案する。
  論文  参考訳（メタデータ） (2025-12-13T07:55:40Z)
• Point3R: Streaming 3D Reconstruction with Explicit Spatial Pointer Memory [72.75478398447396]
  我々は,高密度ストリーミング3D再構成を目的としたオンラインフレームワークであるPoint3Rを提案する。 具体的には、現在のシーンの3次元構造に直接関連した空間ポインタメモリを明示的に保持する。 本手法は,訓練コストの低い各種タスクにおいて,競争力や最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2025-07-03T17:59:56Z)
• Neural Implicit Dense Semantic SLAM [83.04331351572277]
  本稿では,屋内シーンのメモリ効率,高密度な3次元形状,セマンティックセマンティックセグメンテーションをオンラインで学習する新しいRGBD vSLAMアルゴリズムを提案する。 私たちのパイプラインは、従来の3Dビジョンベースのトラッキングとループクローズとニューラルフィールドベースのマッピングを組み合わせたものです。 提案アルゴリズムはシーン認識を大幅に向上させ,様々なロボット制御問題を支援する。
  論文  参考訳（メタデータ） (2023-04-27T23:03:52Z)
• 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)
• Rethinking Space-Time Networks with Improved Memory Coverage for Efficient Video Object Segmentation [68.45737688496654]
  各オブジェクトのマスク特徴を再エンコードすることなく,フレーム間の直接対応性を確立する。 対応によって、現在のクエリフレーム内の全てのノードは、過去の特徴を連想的に集約することによって推測される。 すべてのメモリノードにコントリビュートする機会があることを検証し、そのような多彩な投票がメモリ効率と推論精度の両方に有益であることを示した。
  論文  参考訳（メタデータ） (2021-06-09T16:50:57Z)
• Semantic MapNet: Building Allocentric Semantic Maps and Representations from Egocentric Views [50.844459908504476]
  セマンティックマッピングの課題について検討する。具体的には、エンボディエージェント(ロボットまたはエゴセントリックAIアシスタント)が新しい環境のツアーを受ける。 我々は、RGB-Dカメラのエゴセントリックな観察と既知のポーズから、トップダウンのセマンティックマップ("What is where?")を構築する。 本稿では、投影型カメラ幾何とニューラル表現学習の強みを組み合わせたSemanticMapNet(SMNet)を提案する。
  論文  参考訳（メタデータ） (2020-10-02T20:44:46Z)
• Learning Spatio-Appearance Memory Network for High-Performance Visual Tracking [79.80401607146987]
  既存のオブジェクトトラッキングは通常、フレーム間の視覚的ターゲットにマッチするバウンディングボックスベースのテンプレートを学習する。 本稿では,局所時間メモリネットワークを備え,正確な時空間対応を学習するセグメンテーションに基づくトラッキングアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-09-21T08:12:02Z)

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。