要旨: 屋内ロボットのナビゲーションは、ガラス表面によってしばしば損なわれ、深度センサーの計測が大きく破壊されます。Depth Anything 3 のような基盤モデルは優れた幾何学的事前知識を提供しますが、絶対的なメートル尺度（メトリック・スケール）を欠いています。そこで本研究では、深度基盤モデルを構造的な事前知識として活用する、学習不要の枠組みを提案します。この枠組みでは、ロバストなローカルRANSACベースのアラインメントを用いて、それを生のセンサ深度と融合させます。これにより、誤ったガラス計測からの汚染を自然に回避し、正確なメートル尺度を復元できます。さらに本研究では、ガラス領域に対して幾何学的に導出された正解（ground truth）を備えた、新しい RGB-D データセット i{GlassRecon} を導入します。大規模な実験により、本手法が、特にセンサーの深度が深刻に破壊される状況下で、最先端のベースラインを一貫して上回ることを示します。データセットおよび関連コードは https://github.com/jarvisyjw/GlassRecon で公開予定です。
ロボットナビゲーションのための深度優先を用いたガラス表面再構成の強化
arXiv cs.RO / 2026/4/21
📰 ニュースDeveloper Stack & InfrastructureSignals & Early TrendsModels & Research
要点
- 本論文は、ガラス面によって深度センサの計測が大きく破壊され、屋内ロボットナビゲーションが損なわれる問題を扱っている。
- Depth Anything 3のような深度基盤モデルを構造的な事前知識として活用しつつ、ローカルRANSACに基づく頑健なアライメントで絶対的なメートル尺度を回復する、学習不要（training-free）の手法を提案している。
- それにより、誤ったガラス計測による汚染を避けつつ、基盤モデルの事前知識と生のRGB-D深度を自然に融合することを狙っている。
- ガラス領域に対して幾何学的に導出した正解を持つ新しいRGB-DデータセットGlassReconを導入し、特に深度が大きく破損する条件で既存ベースラインを一貫して上回ると報告している。
- データセットとコードは、提示されたGitHubリポジトリでの公開が予定されている。
