データセット/オフロードナビゲーション2026/3/1arXiv:2603.09175

STONEデータセット：オフロードロボットナビゲーションのためのスケーラブルなマルチモーダル全方位3D走行可能性データセット

STONE Dataset: A Scalable Multi-Modal Surround-View 3D Traversability Dataset for Off-Road Robot Navigation

オフロードナビゲーション向けに、自動パイプラインで生成した3D走行可能性マップと、128ch LiDAR・6台のRGBカメラ・3台の4Dイメージングレーダーによる全方位センシングを備えた大規模マルチモーダルデータセットを構築し、ベンチマークを提供した。

詳しい要約

1. どんなもの？

- オフロード自律移動ロボットのための大規模マルチモーダル3D走行可能領域データセット「STONE」を提案。 - 軌道誘導型の3D走行可能マップを、人手アノテーション不要の自動パイプラインで生成。 - 128チャネルLiDAR、6台のRGBカメラ、3台の4D imaging radarによる同期済み全方位センシングを収録。 - 昼夜、草地、農地、建設現場、湖など多様な環境・条件をカバー。 - voxel単位の3D走行可能領域予測ベンチマークを構築し、single-modal/multi-modalの強いbaselineを提供。

2. 先行研究と比べてどこがすごい？

- 既存データセットはscalabilityとmulti-modalityの両方を欠いており、3D走行可能領域予測の進展を制限していた。 - STONEは大規模かつマルチモーダルで、LiDAR・RGBカメラ・4D imaging radarを同期して収録。 - 人手アノテーション不要の自動パイプラインにより、スケーラブルなground-truth構築を実現。 - 軌道を超えた領域にも走行可能ラベルを付与でき、geometry-awareな教師信号を提供。 - 単一モーダルとマルチモーダルの両設定でbaselineを整備している点が先行研究と異なる。

3. 技術・手法の肝は？

- LiDARスキャンから密な地形表面を再構成する自動ラベリングパイプラインを採用。 - slope、elevation、roughnessなどの幾何属性を抽出。 - Mahalanobis-distance-based criterionにより、ロボット軌道を超えた領域へ走行可能ラベルを割り当て。 - これにより手動アノテーションなしで、スケーラブルかつgeometry-awareなground-truthを構築。 - voxel-level 3D走行可能領域予測のベンチマークを設定し、single-modal/multi-modalのbaselineを提供。

4. どうやって有効だと検証した？

- voxel-level 3D走行可能領域予測のベンチマークを構築。 - single-modalおよびmulti-modal設定の下で強いbaselineを提供し評価。 - データセットは昼夜、草地、農地、建設現場、湖など多様な環境・条件をカバー。 - 具体的な評価指標や定量結果の詳細は要旨からは不明。

5. 議論はある？

- 既存データセットのscalabilityとmulti-modalityの欠如が3D走行可能領域予測の進展を制限すると指摘。 - 自動・アノテーション不要パイプラインによりスケーラブルなground-truth構築が可能と主張。 - 軌道を超えた走行可能ラベル付与やgeometry-aware設計の有効性を議論。 - 限界や失敗事例、ラベル品質の詳細な議論は要旨からは不明。

6. 次に読むべき論文は？

- STONEデータセット（本論文）: https://konyul.github.io/STONE-dataset/ - 要旨で参照・比較されている個別の先行研究は明示されていない。 - 関連手法として、LiDAR-based terrain reconstruction、Mahalanobis-distance-based traversability labeling、voxel-level 3D traversability prediction、multi-modal fusion（LiDAR・RGB camera・4D imaging radar）の定番研究を次に読むべき。

※ 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: Konyul Park, Daehun Kim, Jiyong Oh, Seunghoon Yu, Junseo Park, Jaehyun Park, Hongjae Shin, Hyungchan Cho, Jungho Kim, Jun Won Choi

分類: cs.RO

原文アブストラクト

Reliable off-road navigation requires accurate estimation of traversable regions and robust perception under diverse terrain and sensing conditions. However, existing datasets lack both scalability and multi-modality, which limits progress in 3D traversability prediction. In this work, we introduce STONE, a large-scale multi-modal dataset for off-road navigation. STONE provides (1) trajectory-guided 3D traversability maps generated by a fully automated, annotation-free pipeline, and (2) comprehensive surround-view sensing with synchronized 128-channel LiDAR, six RGB cameras, and three 4D imaging radars. The dataset covers a wide range of environments and conditions, including day and night, grasslands, farmlands, construction sites, and lakes. Our auto-labeling pipeline reconstructs dense terrain surfaces from LiDAR scans, extracts geometric attributes such as slope, elevation, and roughness, and assigns traversability labels beyond the robot's trajectory using a Mahalanobis-distance-based criterion. This design enables scalable, geometry-aware ground-truth construction without manual annotation. Finally, we establish a benchmark for voxel-level 3D traversability prediction and provide strong baselines under both single-modal and multi-modal settings. STONE is available at: https://konyul.github.io/STONE-dataset/

arXivで原文を読む →arXiv概要ページ

← 論文一覧