日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

English週刊ニュースレター購読
セグメンテーションarXiv:2601.09952

OT-Drive: 最適輸送による分布外オフロード走行可能領域セグメンテーション

OT-Drive: Out-of-Distribution Off-Road Traversable Area Segmentation via Optimal Transport

シェア:XThreadsFacebookLINEはてブBluesky

RGBと表面法線のマルチモーダル融合を最適輸送問題として定式化し、意味的アンカーを介して分布外環境でも頑健に走行可能領域をセグメンテーションする手法を提案した。

詳しい要約

1. どんなもの？

- 目的: 非構造環境での走行可能領域セグメンテーションをOODシナリオでも高精度に行うこと。 - 提案: OT-DriveというOptimal Transport駆動のマルチモーダル融合フレームワーク。 - 特徴: RGBとsurface normalを融合し、OOD環境でのロバスト性を向上。 - 対象: 自律走行の計画・意思決定に資する走行可能領域のセグメンテーション。

2. 先行研究と比べてどこがすごい？

- 従来: データ駆動型アプローチはOODシナリオで性能が低下し、下流タスクに悪影響。 - 提案: OODシナリオでのセグメンテーション性能を大幅に改善。 - 結果: ORFD OODでmIoU 95.16%（先行手法より6.35%向上）、クロスデータセット転移で89.79% mIoU（ベースラインより13.99%向上）。 - 利点: 限られた訓練データで強いOOD汎化を実現し、実世界展開の実用性と効率を向上。

3. 技術・手法の肝は？

- 核心: RGBとsurface normalの融合を分布輸送問題として定式化。 - 構成要素1: Scene Anchor Generator (SAG)を設計。 - シーン情報をweather, time-of-day, road typeの同時分布に分解。 - 未見シナリオに汎化可能なsemantic anchorsを構築。 - 構成要素2: Optimal Transport-based multi-modal fusion module (OT Fusion)を設計。 - RGBとsurface normalの特徴をsemantic anchorsが定義するmanifold上に輸送。 - OODシナリオ下でのロバストな走行可能領域セグメンテーションを実現。

4. どうやって有効だと検証した？

- データセット: ORFDを使用。 - 評価指標: mIoU。 - 結果1: ORFD OODシナリオで95.16% mIoUを達成（先行手法より6.35%向上）。 - 結果2: クロスデータセット転移タスクで89.79% mIoUを達成（ベースラインより13.99%向上）。 - 結論: 限られた訓練データで強いOOD汎化性能を示し、実用性と効率を実証。

5. 議論はある？

- 主張: 提案モデルは限られた訓練データで強いOOD汎化を達成し、実世界展開の実用性と効率を大幅に向上。 - 制限や課題: 要旨からは不明。 - 今後の課題: 要旨からは不明。

6. 次に読むべき論文は？

- 要旨で参照/比較されている研究: 明示的な論文名はなし。 - 関連手法: Optimal Transport、マルチモーダル融合、OOD汎化、走行可能領域セグメンテーション。 - 同分野の定番: ORFDデータセットを用いた研究、RGBとsurface normalを融合するセグメンテーション手法。

※ 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: Zhihua Zhao, Guoqiang Li, Chen Min, Kangping Lu

分類: cs.CV, cs.RO

原文アブストラクト

Reliable traversable area segmentation in unstructured environments is critical for planning and decision-making in autonomous driving. However, existing data-driven approaches often suffer from degraded segmentation performance in out-of-distribution (OOD) scenarios, consequently impairing downstream driving tasks. To address this issue, we propose OT-Drive, an Optimal Transport--driven multi-modal fusion framework. The proposed method formulates RGB and surface normal fusion as a distribution transport problem. Specifically, we design a novel Scene Anchor Generator (SAG) to decompose scene information into the joint distribution of weather, time-of-day, and road type, thereby constructing semantic anchors that can generalize to unseen scenarios. Subsequently, we design an innovative Optimal Transport-based multi-modal fusion module (OT Fusion) to transport RGB and surface normal features onto the manifold defined by the semantic anchors, enabling robust traversable area segmentation under OOD scenarios. Experimental results demonstrate that our method achieves 95.16% mIoU on ORFD OOD scenarios, outperforming prior methods by 6.35%, and 89.79% mIoU on cross-dataset transfer tasks, surpassing baselines by 13.99%.These results indicate that the proposed model can attain strong OOD generalization with only limited training data, substantially enhancing its practicality and efficiency for real-world deployment.

arXivで原文を読む →arXiv概要ページ

関連論文

← 論文一覧

今週よく読まれている記事

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2GXOとApptronik、Apolloの物流現場試験を拡大　最大1,000台の展開を構想量産・展開
  3. 3newmoとKDDIが資本業務提携　2028年に堺市で自動運転タクシー商用化目指す提携・買収
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

OZ GAMING（GPU搭載BTOゲーミングPC）

OZ GAMING（GPU搭載BTOゲーミングPC）の公式広告バナーOZ GAMINGで完成品PCを見る ↗
PR本紙発行元 EmplifAI
双腕モバイルマニピュレーターOpenShellの実機とお披露目フライヤー

双腕モバイルマニピュレーター OpenShell

人と働くために、顔がある。

OpenShellの特徴・実機を見る →