TartanGround: 地上ロボットの知覚とナビゲーションのための大規模データセット

- TartanGroundは、多様な環境で動作する地上ロボットの知覚と自律性を向上させるための大規模マルチモーダルデータセット。 - フォトリアリスティックなシミュレーション環境で収集され、360度カバレッジの複数RGBステレオカメラ、深度、オプティカルフロー、ステレオディスパリティ、LiDAR点群、真のポーズ、セマンティックセグメンテーション画像、セマンティックラベル付き占有マップを含む。 - 車輪型や脚型ロボットの運動パターンを模倣した軌道を自動パイプラインで生成。 - 70環境で910軌道、150万サンプルを収集。 - 占有予測やSLAMタスクの評価基盤として利用可能。

- 既存データセットで訓練された最先端手法が多様なシーンで汎化しにくいことを評価で示し、多様な環境でのロバスト性向上の必要性を明らかにした。 - 複数のRGBステレオカメラによる360度カバレッジ、LiDAR、深度、オプティカルフロー、セマンティック占有マップなど多モーダルかつ大規模（150万サンプル）である点が特徴。 - 車輪型・脚型ロボットの運動パターンを模倣した軌道生成を自動パイプラインで実現。 - 具体的な先行研究名との比較は要旨からは不明。

- フォトリアリスティックなシミュレーション環境でデータを収集。 - 複数のRGBステレオカメラ（360度カバレッジ）、深度、オプティカルフロー、ステレオディスパリティ、LiDAR点群、真のポーズ、セマンティックセグメンテーション画像、セマンティックラベル付き占有マップを同時に取得。 - 自動パイプラインにより、車輪型・脚型ロボットの運動パターンを模倣した軌道を生成。 - 70環境で910軌道を収集し、150万サンプルを構築。

- 占有予測とSLAMタスクで評価を実施。 - 既存データセットで訓練された最先端手法が多様なシーンで汎化しにくいことを示した。 - 具体的な評価指標やベースライン手法の詳細は要旨からは不明。

- 既存データセットで訓練された最先端手法の汎化性能の低さを指摘し、多様なシーンへの汎化が課題であると議論。 - TartanGroundが占有予測、SLAM、ニューラルシーン表現、知覚ベースナビゲーションなどの学習ベースタスクの訓練・評価のテストベッドとして利用可能であると主張。 - ロボティクス知覚と自律性の進歩に貢献し、より多様なシナリオに汎化するロバストモデルの実現を目指す。 - データセットの限界や具体的な議論の詳細は要旨からは不明。

- 要旨で直接参照/比較されている研究は明示されていない。 - 関連手法として、占有予測（Occupancy Prediction）、SLAM、ニューラルシーン表現（Neural Scene Representation）、知覚ベースナビゲーション（Perception-based Navigation）の分野の論文が次に読むべき候補。 - 具体的な論文名は要旨からは不明。