日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

視覚オドメトリarXiv:2606.16474

MVOFormer: ロバストな単眼視覚オドメトリのためのフロー意味トランスフォーマー

MVOFormer: Flow-Semantic Transformer for Robust Monocular Visual Odometry

シェア:XThreadsFacebookLINEはてブBluesky

単眼視覚オドメトリのための新しいトランスフォーマーフレームワークを提案し、幾何学的動きと意味情報を融合して動的物体を区別し、ゼロショット汎化性能を向上させた。

詳しい要約

1. どんなもの?

- 単眼視オドメトリ(MVO)のためのTransformerフレームワーク「MVOFormer」を提案。 - 解釈可能で相補的な特徴の欠如や過度に複雑な多段階アーキテクチャという既存手法の課題に対処。 - Flow-Semantic Dual Branch EncoderとIterative Multimodal Decoderを組み合わせ、ロバストな姿勢推定を実現。

2. 先行研究と比べてどこがすごい?

- 既存の学習ベースMVOは解釈可能な特徴の欠如や複雑な多段階構造により、ロバスト性とクロスドメイン汎化が制限されていた。 - MVOFormerはターゲットドメインでのファインチューニングなしで、優れたゼロショット汎化とロバスト性を達成。 - 多様なベンチマークで従来の学習ベースフレーム間手法を大幅に上回る。

3. 技術・手法の肝は?

- Flow-Semantic Dual Branch Encoder:密な幾何学的運動キューとオブジェクト中心のセマンティック事前情報を相乗させ、静的構造と動的妨害物を明示的に区別。 - Iterative Multimodal Decoder:これらの表現を融合し、粗から細への姿勢洗練を可能にしつつ、信頼できない領域への注意を動的に抑制。

4. どうやって有効だと検証した?

- TartanAir、KITTI、TUM-RGBD、ETH3D-SLAMを含む多様なベンチマークで評価。 - ターゲットドメインのファインチューニングなしで、ゼロショット汎化とロバスト性が優れ、従来の学習ベースフレーム間手法を大幅に上回ることを実証。

5. 議論はある?

- 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は明示されていないが、関連手法として学習ベースMVO(例:DeepVO、TartanVO)やTransformerベースのオドメトリ手法が挙げられる。

※ 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: Jituo Li, Shunwang Sun, Jialu Zhang, Xinqi Liu, Jinyao Hu, Zhicheng Lu, Sajad Saeedi, Guodong Lu

分類: cs.CV, cs.RO

原文アブストラクト

Monocular visual odometry (MVO) is foundational to autonomous navigation and robotic localization. However, existing learning-based MVO approaches often struggle with either a lack of interpretable, complementary features or overly complex multi-stage architectures. These limitations inherently restrict their robustness and cross-domain generalization. In this work, we propose MVOFormer, a novel transformer framework for robust monocular visual odometry. Our architecture features a Flow-Semantic Dual Branch Encoder that synergizes dense geometric motion cues with object-centric semantic priors, explicitly distinguishing static structures from dynamic distractors. These representations are then fused by an Iterative Multimodal Decoder, enabling coarse-to-fine pose refinement while dynamically suppressing attention on unreliable regions. Extensive evaluations demonstrate that, without any target-domain fine-tuning, MVOFormer achieves superior zero-shot generalization and robustness, significantly outperforming prior learning-based frame-to-frame methods across diverse benchmarks including TartanAir, KITTI, TUM-RGBD, and ETH3D-SLAM.

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

FRONTIER(GPU搭載BTOパソコン)

FRONTIER(GPU搭載BTOパソコン)の公式広告バナーFRONTIERでGPU搭載PCを見る ↗
PR本紙発行元 EmplifAI