低コスト・高効率：ワイナリー環境における LiDAR 位置認識と Matryoshka 表現学習

arXiv:2601.18714v2 発表タイプ：置換 要約：農業環境におけるロケーション化は、非構造化な性質と特徴的なランドマークの欠如により困難です。物体分類やセグメンテーションの文脈では農業環境が研究されていますが、現在の最先端技術において移動ロボットの場所認識タスクは依然として容易ではありません。本研究では、事前処理および Matryoshka 表現学習のマルチ損失アプローチにより、ワイナリー環境において最先端技術を凌駕する軽量なディープラーニングベースの手法 MinkUNeXt-VINE を提案します。我々の手法は、高効率なリアルタイムシナリオを確保するために、低コスト・スパースな LiDAR 入力を重視した高性能と、低次元の出力を優先します。さらに、異なる LiDAR センサーを用いた 2 つの広範囲な長期的ワイナリーデータセットを用いた多様な評価ケースにおける結果の包括的なアブレชัน研究も提示します。このアプローチによって生成されたトリオフ出力の効率性、および低コスト・低解像度の入力データに対する強固な性能を示す結果が得られました。コードは公開されており、再現可能です。

arXiv:2601.18714v2 Announce Type: replace Abstract: Localization in agricultural environments is challenging due to their unstructured nature and lack of distinctive landmarks. Although agricultural settings have been studied in the context of object classification and segmentation, the place recognition task for mobile robots is not trivial in the current state of the art. In this study, we propose MinkUNeXt-VINE, a lightweight, deep-learning-based method that surpasses state-of-the-art methods in vineyard environments thanks to its pre-processing and Matryoshka Representation Learning multi-loss approach. Our method prioritizes enhanced performance with low-cost, sparse LiDAR inputs and lower-dimensionality outputs to ensure high efficiency in real-time scenarios. Additionally, we present a comprehensive ablation study of the results on various evaluation cases and two extensive long-term vineyard datasets employing different LiDAR sensors. The results demonstrate the efficiency of the trade-off output produced by this approach, as well as its robust performance on low-cost and low-resolution input data. The code is publicly available for reproduction.