日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

UAVナビゲーションarXiv:2602.07101

再照明可能な3Dガウシアンスプラッティングによる森林でのゼロショットUAVナビゲーション

Zero-Shot UAV Navigation in Forests via Relightable 3D Gaussian Splatting

シェア:XThreadsFacebookLINEはてブBluesky

実世界データに基づくシミュレーションで、照明を編集可能な3Dガウシアンスプラッティングを用いて強化学習を行い、森林環境で最大10m/sのゼロショット自律飛行を実現した。

詳しい要約

1. どんなもの?

- 目的: 未構造な森林環境でのUAVナビゲーションを、単眼RGBのみでゼロショット実現する強化学習フレームワーク。 - 特徴: 実世界データに基づく高忠実度シミュレーション内で訓練し、実環境へ直接転移。 - 手法: Relightable 3D Gaussian Splattingを導入し、照明条件を編集可能に。 - 結果: 軽量クアッドロータが最大10 m/sで衝突回避しつつ堅牢に飛行。

2. 先行研究と比べてどこがすごい?

- 従来: シミュレーションと実世界の視覚的ドメインギャップが大きく、ゼロショット転移が困難。 - 既存3DGS: 静的照明と幾何を結合し、動的な実世界照明への汎化が制限。 - 本研究: Relightable 3DGSで照明を分解・編集し、多様な照明下で訓練。照明不変な特徴を学習し、微調整なしで実環境に転移。

3. 技術・手法の肝は?

- 基盤: 実世界データに基づく高忠実度シミュレーション内でend-to-end強化学習。 - 入力: 生の単眼RGB観測を連続制御コマンドに直接マッピング。 - 核心: Relightable 3D Gaussian Splattingがシーン構成要素を分解し、物理的に根拠のある照明編集を可能に。 - 訓練: 強い指向性日光から拡散した曇天まで多様な合成照明で拡張し、照明不変な視覚特徴を強制。

4. どうやって有効だと検証した?

- 実世界実験: 複雑な森林環境で軽量クアッドロータが最大10 m/sで衝突なしナビゲーションを実証。 - 照明変化: 劇的な照明変動に対して微調整なしで顕著な堅牢性を示した。 - 詳細な評価指標や比較対象は要旨からは不明。

5. 議論はある?

- 限界: 要旨からは不明。 - 議論: 照明不変特徴の学習がゼロショット転移に有効であることを示唆。 - 課題: 他の未構造環境や動的障害物への汎化、計算コストなどは要旨からは不明。

6. 次に読むべき論文は?

- 関連手法: 3D Gaussian Splatting、Relightable 3D Gaussian Splatting、end-to-end強化学習、ゼロショット転移。 - 比較対象: 既存の3DGSベース手法やシミュレーション訓練手法。 - 同分野の定番: UAVナビゲーション、単眼視覚、ドメインランダム化。

※ 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: Zinan Lv, Yeqian Qian, Chen Sang, Hao Liu, Danping Zou, Ming Yang

分類: cs.CV, cs.RO

原文アブストラクト

UAV navigation in unstructured outdoor environments using passive monocular vision is hindered by the substantial visual domain gap between simulation and reality. While 3D Gaussian Splatting enables photorealistic scene reconstruction from real-world data, existing methods inherently couple static lighting with geometry, severely limiting policy generalization to dynamic real-world illumination. In this paper, we propose a novel end-to-end reinforcement learning framework designed for effective zero-shot transfer to unstructured outdoors. Within a high-fidelity simulation grounded in real-world data, our policy is trained to map raw monocular RGB observations directly to continuous control commands. To overcome photometric limitations, we introduce Relightable 3D Gaussian Splatting, which decomposes scene components to enable explicit, physically grounded editing of environmental lighting within the neural representation. By augmenting training with diverse synthesized lighting conditions ranging from strong directional sunlight to diffuse overcast skies, we compel the policy to learn robust, illumination-invariant visual features. Extensive real-world experiments demonstrate that a lightweight quadrotor achieves robust, collision-free navigation in complex forest environments at speeds up to 10 m/s, exhibiting significant resilience to drastic lighting variations without fine-tuning.

関連論文

  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

MINISFORUM(ミニPC)

MINISFORUM(ミニPC)の公式広告バナーMINISFORUM公式ストアを見る ↗
PR本紙発行元 EmplifAI