水中ロボティクス/自己位置推定・再構成2026/10/5arXiv:2610.07472

SURGE: ソナー融合による画像ゲート付きグラフ推定を用いた再構成と自己位置推定

SURGE: Sonar-fUsed Reconstruction and localization via image-gated Graph Estimation

カメラと2Dソナーを因子グラフで統合し、ROVの軌道と対象位置を同時推定したうえでソナーガウススプラッティングによりメートルスケールの3D再構成を行う手法。

詳しい要約

1. どんなもの？

- カメラと2D imaging sonarを融合し、ROVの軌跡と対象位置を同時推定するフレームワークSURGE。 - factor graph内で視覚・音響観測を統合し、得られたmetric poseをsonar Gaussian splattingに用いる。 - 水中RGB-sonar観測で、視覚ベースpose推定よりlocalization consistencyを改善し、RGB Gaussian splattingよりcompactでnatively metricな再構成を実現。

2. 先行研究と比べてどこがすごい？

- 既存の水中再構成は視覚のscale ambiguity・trajectory driftとsonarの不完全3D geometryを別々に扱うか、sensor pose既知を仮定。 - 本研究はlocalizationとreconstructionを切り離さず、factor graphでjointlyに推定する点が新しい。 - 従来のvision-based pose estimationよりlocalization consistencyを大幅改善。 - RGB Gaussian splatting baselineよりcompactでnatively metricな再構成を生成。

3. 技術・手法の肝は？

- カメラと2D imaging sonarの観測をfactor graphに統合し、ROV trajectoryとtarget locationを同時推定。 - 推定されたmetric poseを利用してsonar Gaussian splattingを実行。 - 視覚のrichなvisual/geometric情報とsonarのmetric rangeを相補的に活用。 - 詳細なfactor設計や最適化手法は要旨からは不明。

4. どうやって有効だと検証した？

- 実水下RGB-sonar観測を用いた実験を実施。 - 従来のvision-based pose estimationと比較しlocalization consistencyの改善を確認。 - RGB Gaussian splatting baselineと比較し、よりcompactでnatively metricな再構成を確認。 - 定量的評価指標やデータセット名は要旨からは不明。

5. 議論はある？

- 外部positioningが使えない水中環境でonboard perceptionに依存する課題を扱う。 - 視覚のscale ambiguity・driftとsonarの不完全3D geometryの相補性を活用。 - 限界や失敗ケース、計算コスト、汎化性に関する議論は要旨からは不明。

6. 次に読むべき論文は？

- 要旨で参照/比較されている研究: conventional vision-based pose estimation、RGB Gaussian splatting baselines。 - 関連手法: factor graph optimization、sonar Gaussian splatting、underwater SLAM、visual-inertial odometry。 - 具体的な論文名は要旨からは不明。

※ 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: Mohammed Ibrahim M, Vallabh Deogaonkar, Trung Dong, Jane Shin, Abhilash Somayajula, Xiaomin Lin

分類: cs.RO

原文アブストラクト

Remotely operated vehicles (ROVs) are widely used to explore and inspect underwater environments such as caves, shipwrecks, and submerged infrastructure. These missions require accurate 3D understanding of the surrounding environment, which depends on both reliable vehicle localization and metric scene reconstruction. However, external positioning is often unavailable underwater, requiring small ROVs to rely primarily on onboard perception. Optic vision provides rich visual and geometric information but suffers from scale ambi- guity and trajectory drift, whereas 2D imaging sonar provides metric range but incomplete 3D geometry. Existing underwater reconstruction approaches typically address these limitations separately or assume known sensor poses, leaving localization and reconstruction disconnected. We present SURGE, a camera sonar framework that jointly estimates the ROV trajectory and target location by integrating visual and acoustic observations within a factor graph, then uses the recovered metric poses for sonar Gaussian splatting. Experiments on real underwater RGB sonar observations show that SURGE substantially improves localization consistency over conventional vision based pose estimation and produces a more compact, natively metric reconstruction than RGB Gaussian splatting baselines.

arXivで原文を読む →arXiv概要ページ

← 論文一覧