データセット/セマンティック占有2025/11/1arXiv:2511.16949

MobileOcc: 移動ロボットのための人間認識型セマンティック占有データセット

MobileOcc: A Human-Aware Semantic Occupancy Dataset for Mobile Robots

歩行者が多い環境で動作する移動ロボット向けに、静的物体と変形する人間の形状をLiDARで最適化して注釈付けした3Dセマンティック占有データセットを構築し、占有予測と歩行者速度予測のベンチマークを提供した。

詳しい要約

1. どんなもの？

- MobileOccは、歩行者が多い環境で動作するmobile robot向けの3D semantic occupancyデータセット。 - 静的な物体のoccupancy注釈に加え、人間のoccupancyモデリング専用の新しいmesh optimization frameworkを組み込んだannotation pipelineで構築。 - 2D画像から変形可能な人体形状を再構成し、対応するLiDAR点群で精緻化・最適化する。 - Occupancy predictionとPedestrian velocity predictionの2タスクのbenchmarkを提供。

2. 先行研究と比べてどこがすごい？

- 密な3D semantic occupancy perceptionはautonomous drivingでの応用に比べ、mobile robotでは未開拓だと位置づけている。 - 既存研究との具体的な性能比較は要旨からは不明。 - 歩行者が多い混雑環境に焦点を当て、人間のoccupancy注釈を明示的に扱う点が特徴として示されている。

3. 技術・手法の肝は？

- 静的な物体のoccupancy注釈と、人間のoccupancyモデリング専用に設計したmesh optimization frameworkを組み合わせたannotation pipeline。 - 2D画像から変形可能な人体形状を再構成し、関連するLiDAR点群データで精緻化・最適化する。 - benchmarkはmonocular、stereo、panoptic occupancyなど複数手法で構築し、再現可能な比較用のmetricsとbaseline実装を提供。

4. どうやって有効だと検証した？

- MobileOcc上でOccupancy predictionとPedestrian velocity predictionの2タスクのbenchmarkを、monocular・stereo・panoptic occupancyなど複数手法で構築。 - さらに注釈手法を3D human pose estimationデータセット上で評価。 - 結果として、提案手法が異なるデータセット間で堅牢な性能を示したと報告。

5. 議論はある？

- 要旨からは不明。 - 歩行者が多い環境でのmobile robot向けoccupancy知覚の重要性と、autonomous driving中心だった研究状況のギャップを動機として述べている。 - 注釈手法のデータセット間での堅牢性に言及しているが、限界や議論の詳細は要旨からは不明。

6. 次に読むべき論文は？

- 要旨で参照・比較されている個別研究は明示されていない。 - 関連手法としてmonocular occupancy、stereo occupancy、panoptic occupancy、3D human pose estimationの各研究が挙げられる。 - autonomous driving向けのsemantic occupancy perception研究や、mobile robot向け3D知覚の定番研究を次に読む候補として検討できる。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Junseo Kim, Guido Dumont, Xinyu Gao, Gang Chen, Holger Caesar, Javier Alonso-Mora

分類: cs.RO, cs.CV

原文アブストラクト

Dense 3D semantic occupancy perception is critical for mobile robots operating in pedestrian-rich environments, yet it remains underexplored compared to its application in autonomous driving. To address this gap, we present MobileOcc, a semantic occupancy dataset for mobile robots operating in crowded human environments. Our dataset is built using an annotation pipeline that incorporates static object occupancy annotations and a novel mesh optimization framework explicitly designed for human occupancy modeling. It reconstructs deformable human geometry from 2D images and subsequently refines and optimizes it using associated LiDAR point data. Using MobileOcc, we establish benchmarks for two tasks, i) Occupancy prediction and ii) Pedestrian velocity prediction, using different methods including monocular, stereo, and panoptic occupancy, with metrics and baseline implementations for reproducible comparison. Beyond occupancy prediction, we further assess our annotation method on 3D human pose estimation datasets. Results demonstrate that our method exhibits robust performance across different datasets.

arXivで原文を読む →arXiv概要ページ

← 論文一覧