論文の概要: RAVEN: A Unified Active SLAM System for Rapid Autonomous Visual Exploration with Aerial Robots under Localization Uncertainty

• arxiv url: http://arxiv.org/abs/2610.37111v1
• Date: Tue, 27 Oct 2026 12:08:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.582306
• Title: RAVEN: A Unified Active SLAM System for Rapid Autonomous Visual Exploration with Aerial Robots under Localization Uncertainty
• Title（参考訳）: RAVEN: 局所不確実性下での航空ロボットによる高速自律視覚探査のための統合アクティブSLAMシステム
• Abstract要約: RAVENは、四角形を用いたRapid Autonomous Visual ExploratioNのための統合されたSLAMフレームワークである。 ベンチマーク評価により、RAVENは最先端のSLAM法より優れていることが示された。
• 参考スコア（独自算出の注目度）: 24.917508558115486
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Active simultaneous localization and mapping (SLAM) addresses the problem of planning robot motion to build complete and accurate maps of unknown environments through efficient exploration while maintaining high localization accuracy. This raises a dilemma between exploring unknown spaces to expand coverage and exploiting visited regions to perform active loop closures. Despite numerous prior works on ground robots, aerial robots with high agility and constrained sensor suites face more significant localization drift and thereby demand dedicated active SLAM planning. Moreover, a unified strategy that adapts performance based on task-specific priorities remains an open question. In this article, we introduce RAVEN, a unified active SLAM framework for Rapid Autonomous Visual ExploratioN using quadrotors, which systematically accounts for localization uncertainty. The framework starts with identifying frontiers and active loop closure candidates, from which global tour candidates are generated. These candidates are evaluated using a utility vector that separately quantifies exploration efficiency and localization accuracy, and the final tour is selected according to a prioritization parameter ranging from $[0,1]$. Finally, a perception-aware navigation planner generates smooth execution trajectories that minimize visual state estimation error based on the online Fisher information field that provides visual localization information in real-time. Benchmark evaluations demonstrate that RAVEN outperforms state-of-the-art active SLAM methods, highlighting its advantages in producing a spectrum of performance across prioritizations. Fully onboard field experiments with a customized stereo-inertial quadrotor further validate its practical applicability in challenging environments. The source code will be released to benefit the community.
• Abstract（参考訳）: アクティブ・ローカライゼーションとマッピング(SLAM)は、ロボットの動きを計画し、効率的な探索を通して未知の環境の完全かつ正確なマップを構築するという問題に対処し、高いローカライゼーション精度を維持している。 これは、カバー範囲を広げるために未知の空間を探索することと、訪問した地域を利用してアクティブなループクロージャを実行することの間にジレンマを生じさせる。 地上ロボットに関する多くの先行研究にもかかわらず、高機敏性と制約されたセンサースイートを備えた空中ロボットは、より重要な位置決めドリフトに直面し、そのため専用のSLAM計画を要求する。 さらに、タスク固有の優先順位に基づいてパフォーマンスを適応する統一的な戦略は、依然として未解決の課題である。 本稿では,四角形を用いた高速自律視探索のための統合型SLAMフレームワークであるRAVENを紹介する。 このフレームワークは、フロンティアとアクティブループクロージャ候補を特定し、そこからグローバルツアー候補を生成することから始まる。 これらの候補は探索効率と局所化精度を別々に定量化するユーティリティベクトルを用いて評価され、最終ツアーは$[0,1]$の優先順位パラメータに従って選択される。 最後に、知覚認識ナビゲーションプランナは、リアルタイムに視覚的位置情報を提供するオンラインフィッシャー情報フィールドに基づいて、視覚的状態推定誤差を最小限に抑えるスムーズな実行軌跡を生成する。 ベンチマーク評価の結果、RAVENは最先端のSLAM法よりも優れており、優先順位付けにまたがる性能のスペクトルを生成するという利点を浮き彫りにしている。 カスタマイズされたステレオ慣性四重極子を用いた完全搭載フィールド実験は、課題のある環境における実用性をさらに検証する。 ソースコードはコミュニティに利益をもたらすためにリリースされます。

関連論文リスト

• Multi-Task Visual Perception Network with LLM Conditioning for Autonomous Navigation [4.075320514790725]
  サービスロボットの長期ナビゲーションは、計測ドリフトの蓄積やセンサーエラーといった課題に直面している。 本稿では,グローバルな一貫した地図への依存を解消する,ユーザフレンドリでインタラクティブなフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-09-13T05:38:52Z)
• ActiveScope: Actively Seeking and Correcting Perception for MLLMs [73.84325380140547]
  MLLM(Multimodal Large Language Models)は、高解像度画像における微細な認識に苦戦している。 本研究では,能動的に知覚を探索し,修正することにより,MLLMを強化したトレーニングフリーフレームワークであるActiveScopeを提案する。
  論文  参考訳（メタデータ） (2026-06-23T08:17:15Z)
• STEM: Semantic Target Search and Exploration using MAVs in Cluttered Environments [17.009653719709213]
  本稿では,目的探索時間と探索時間を最小限に抑えるために,意味誘導型視点プランナを用いた新しいフレームワークを提案する。 具体的には,対象に繋がる可能性のある視点を優先順位付けすることで,効率的な意味探索計画を生成するプランナーを開発する。
  論文  参考訳（メタデータ） (2026-05-30T15:00:58Z)
• SCOPE: Skeleton Graph-Based Computation-Efficient Framework for Autonomous UAV Exploration [30.628401434735906]
  SCOPEは、リアルタイム骨格グラフを漸進的に構築する新しいフレームワークであり、Implicit Unknown Region Analysisを導入している。 最先端のグローバルプランナーに匹敵する競争力のある探索性能を達成し、計算コストを平均86.9%削減する。
  論文  参考訳（メタデータ） (2026-02-26T07:31:29Z)
• ActLoc: Learning to Localize on the Move via Active Viewpoint Selection [52.909507162638526]
  ActLocは、一般的なロボットナビゲーションタスクのローカライズ精度を高めるためのアクティブな視点対応計画フレームワークである。 ActLocの中核となるのは、視点選択のために、大規模に訓練された注意ベースのモデルである。 ActLocは、単一視点選択における最先端の結果を達成し、完全な軌道計画に効果的に一般化する。
  論文  参考訳（メタデータ） (2025-08-28T16:36:02Z)
• Learning Where to Look: Self-supervised Viewpoint Selection for Active Localization using Geometrical Information [68.10033984296247]
  本稿では, 位置決めの精度を高めるために, 視点選択の重要性を強調し, アクティブな位置決め領域について検討する。 私たちのコントリビューションは、リアルタイム操作用に設計されたシンプルなアーキテクチャ、自己教師付きデータトレーニング方法、および実世界のロボティクスアプリケーションに適した計画フレームワークにマップを一貫して統合する能力による、データ駆動型アプローチの使用に関するものです。
  論文  参考訳（メタデータ） (2024-07-22T12:32:09Z)
• Active Visual Localization for Multi-Agent Collaboration: A Data-Driven Approach [47.373245682678515]
  本研究は、視点変化の課題を克服するために、アクティブな視覚的ローカライゼーションをどのように利用できるかを検討する。 具体的には、与えられた場所における最適な視点を選択する問題に焦点をあてる。 その結果,既存の手法と比較して,データ駆動方式の方が優れた性能を示した。
  論文  参考訳（メタデータ） (2023-10-04T08:18:30Z)
• SEAL: Simultaneous Exploration and Localization in Multi-Robot Systems [0.0]
  本稿では,新しい同時探索と局所化手法を提案する。 相対的なローカライゼーションのために通信グラフ最適化を行いながら、最大探索に情報融合を用いる。 広範囲なROS-Gazeboシミュレーションにおける探索および位置決め性能のショートエッジ法より優れたSEAL
  論文  参考訳（メタデータ） (2023-06-22T01:27:55Z)
• On the Effective Usage of Priors in RSS-based Localization [56.68864078417909]
  本稿では、受信信号強度(RSS)指紋と畳み込みニューラルネットワークに基づくアルゴリズムLocUNetを提案する。 本稿では,密集市街地における局所化問題について検討する。 まず,LocUNetがRx位置やRxの事前分布を学習し,トレーニングデータから送信者(Tx)アソシエーションの好みを学習し,その性能を評価できることを示す。
  論文  参考訳（メタデータ） (2022-11-28T00:31:02Z)
• Real-time Outdoor Localization Using Radio Maps: A Deep Learning Approach [59.17191114000146]
  LocUNet: ローカライゼーションタスクのための畳み込み、エンドツーエンドのトレーニングニューラルネットワーク(NN)。 我々は,LocUNetがユーザを最先端の精度でローカライズし,無線マップ推定における不正確性が高いことを示す。
  論文  参考訳（メタデータ） (2021-06-23T17:27:04Z)

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。