日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

姿勢推定arXiv:2607.21309

平面LiDARによる人間姿勢推定のための因子分解時空間畳み込み

Factorized Spatio-Temporal Convolutions for Human Pose Estimation from Planar Lidar

シェア:XThreadsFacebookLINEはてブBluesky

平面LiDARの時系列データから人間の位置と向きを推定する軽量ネットワークを提案し、RGB-Dセンサーからの自己教師信号で学習することで手動ラベルを不要にした。

詳しい要約

1. どんなもの?

本論文は、平面LiDAR(planar LiDAR)の時系列データから、周囲360度の人物検出と相対2Dポーズ推定(距離、位置、向き)を行う軽量なニューラルネットワークを提案する。Space-Time Blocksを用いて、スキャン光線に沿った空間処理とスキャン間の時間集約を分離し、限られた計算資源のサービスロボット上でリアルタイムに動作することを目指す。

2. 先行研究と比べてどこがすごい?

従来のポーズ推定はカメラや3D LiDARを対象とし、GPUクラスの計算資源を前提とすることが多い。一方、サービスロボットは全方位平面LiDARと低性能なプロセッサしか持たないことが多い。本手法は、平面LiDARの時系列データのみから人物の存在、距離、相対向きを推定する点、およびクロスモーダル自己教師あり学習により手動ラベルを不要にする点が新しい。

3. 技術・手法の肝は?

手法の核は、Space-Time Blocksと呼ばれる構造で、空間次元(スキャン光線に沿った方向)と時間次元(スキャン間)の畳み込みを分離する点。これにより、パラメータ数を抑えつつ時空間特徴を効率的に学習する。また、RGB-Dトラッカーを教師として、センサの重複領域でクロスモーダル自己教師あり学習を行い、LiDARラベルを自動生成する。

4. どうやって有効だと検証した?

定量的には、パラメータ数が同等のベースラインモデルと比較し、距離誤差-38%、位置誤差-28%、向き誤差-15%を達成。公開データセットFROGでも評価し、サービスロボット上でのリアルタイムCPU推論を報告。さらに実地デモで有効性を確認した。

5. 議論はある?

要旨からは、提案手法の限界や議論は不明。ただし、平面LiDARのみに基づくため、3D情報の欠如による制約や、自己教師あり学習の品質がRGB-Dトラッカーの精度に依存する可能性などが考えられるが、要旨には明記されていない。

6. 次に読むべき論文は?

要旨で参照されているFROGデータセットに関する論文、およびクロスモーダル自己教師あり学習の関連研究(例:RGB-Dからのポーズ推定)が挙げられる。具体的には、FROGデータセットを提案した論文や、LiDARとカメラの融合による人物検出の研究が関連する。

※ 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: Simone Arreghini, Mirko Nava, Nicholas Carlotti, Antonio Paolillo, Alessandro Giusti

分類: cs.RO

原文アブストラクト

Localizing nearby humans and estimating their facing direction are key capabilities for safe navigation and socially aware human-robot interaction. Many pose-estimation pipelines target cameras and 3D LiDAR or assume GPU-class compute, whereas service robots are often equipped only with omnidirectional planar LiDARs and modest onboard processors. We address omnidirectional human detection and relative 2D pose estimation from planar LiDAR sequences with a lightweight network based on Space-Time Blocks, which explicitly separate spatial processing along scan rays from temporal aggregation across scans. Our network processes 360{\deg} LiDAR sequences to output per-ray human presence, distance, and relative orientation. We train it via cross-modal self-supervision from a narrow RGB-D body tracker in the sensors' overlap region, removing the need for manual LiDAR labels. Quantitative experiments show that our approach consistently outperforms a parameter-matched baseline model, reducing errors in distance (-38%), position (-28%), and orientation (-15%). We further benchmark on the public FROG dataset, report real-time CPU inference on a service robot, and validate with in-field demonstrations, supporting its suitability for spatial perception on computationally constrained service robots.

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

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