3D知覚/水中ロボティクス2026/10/1arXiv:2610.01644

SonarVoxNet: 3Dソナーによるダイバーの3Dバウンディングボックス検出

SonarVoxNet: Diver Detection in 3D Bounding Box using 3D Sonar

3Dソナーの点群から、自由な姿勢をとるダイバーの9自由度の向き付き3Dバウンディングボックスを検出する手法を提案し、完全な3D姿勢ラベル付きの初の公開データセットDiver3Dを構築した。

詳しい要約

1. どんなもの？

- 3D sonar を用いて潜水士(diver)を 3D bounding box で検出する研究 - AUV が潜水士を支援するため、3D 位置だけでなく全身の向き(orientation)も追跡する必要がある - 2 つの貢献: - SonarVoxNet: voxel-based encoder と anchor-free center-based detection head を 3D sonar に適応 - Diver3D: 多様な非直立姿勢の潜水士の完全な 3D orientation ラベル付き、初の公開 3D sonar データセット - 自然な cave-diving サイトで収集

2. 先行研究と比べてどこがすごい？

- 従来の forward-looking sonar は elevation 情報を捨てるため orientation 推定が根本的に不可能 - 既存の 3D sonar 検出器は dense LiDAR 向けで、直立し yaw 軸周りのみ回転する対象(車両・歩行者)を想定 - 自由に pitch/roll する潜水士を表現できない - 本研究は yaw-only 回転表現を連続 6D rotation parameterization に置き換え、full 9-DoF oriented bounding box を予測 - 著者らの知る限り、3D sonar 潜水士検出器でこれを実現した初の例

3. 技術・手法の肝は？

- SonarVoxNet: voxel-based encoder + anchor-free center-based detection head を 3D sonar データに適応 - 従来の yaw-only rotation 表現を連続 6D rotation parameterization に置換 - full 9-DoF oriented bounding box を予測 - Diver3D: 多様な非直立姿勢の潜水士に対する完全な 3D orientation ラベルを含む公開 3D sonar データセット

4. どうやって有効だと検証した？

- backbone と detection head に関する controlled ablations を実施 - 正確な 3D sonar ベース潜水士検出の支配的要因は yaw-only rotation から full-SO(3) rotation への移行であることを示す - この移行により検出精度が大幅に向上し、orientation error が減少 - 結果は full-body diver orientation が 3D sonar のみから復元可能であることを示す

5. 議論はある？

- 3D sonar は elevation を保持するが、sparse で noisy な returns を生成する - 既存検出器は dense LiDAR 向けであり、自由に pitch/roll する潜水士を表現できない - 本研究の結果は、将来の diver pose estimation と diver-robot interaction の基礎を築く - 具体的な限界や課題の詳細は要旨からは不明

6. 次に読むべき論文は？

- 要旨で参照/比較されている研究: - forward-looking sonar を用いた既存手法 - dense LiDAR 向け既存検出器(車両・歩行者対象) - 関連手法: - voxel-based encoder - anchor-free center-based detection head - 6D rotation parameterization - full-SO(3) rotation - 同分野の定番: 3D sonar による underwater perception、AUV と diver のインタラクション研究

※ 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: Eugene Park, Jiwon Lee, Seyoung Kan, Trung Dong, Xiaomin Lin, Jane Shin

分類: cs.RO

原文アブストラクト

Autonomous underwater vehicles (AUVs) assisting human divers must continuously track not only the diver's 3D position but also their full-body orientation. However, vision-based perception is unreliable underwater, and forward-looking sonar -- despite being widely used -- discards the elevation information needed for orientation estimation, posing a fundamental limitation. Recently commercialized 3D sonar preserves elevation but produces sparse, noisy returns, and existing detectors are built for dense LiDAR data and for targets that remain upright and rotate only about the yaw axis (e.g., vehicles, pedestrians), making them unable to represent a freely pitching and rolling diver. To address this gap, we present two contributions. First, SonarVoxNet adapts a voxel-based encoder and an anchor-free center-based detection head to 3D sonar data, replacing the conventional yaw-only rotation representation with a continuous 6D rotation parameterization to predict full 9-DoF oriented bounding boxes -- to our knowledge, the first 3D sonar diver detector to do so. Second, Diver3D is the first public 3D sonar dataset with full 3D orientation labels for divers in diverse, non-upright poses, collected at a natural cave-diving site. Through controlled ablations over the backbone and detection head, we show that the dominant factor behind accurate 3D sonar-based diver detection is the transition from yaw-only rotation to full-SO(3) rotation. This transition substantially improves detection accuracy and reduces orientation error. These results demonstrate that full-body diver orientation is recoverable from 3D sonar alone, laying the groundwork for future work on diver pose estimation and diver-robot interaction.

arXivで原文を読む →arXiv概要ページ

← 論文一覧