arXiv:2606.00162v2 cs.RO

아티팩트 기반 빌드 프로세스로서의 로보틱스 데이터셋 구축 모델링

Modeling Robotics Dataset Construction as an Artifact-Based Build Process

Leon Pohl, Lukas Beer, George Sebastian, Mirko Maehlisch

제출 2026-05-29

저자 비고

arXiv Comments

Accepted at the 2026 IEEE 22nd International Conference on Automation Science and Engineering (CASE 2026). 7 pages, 6 figures, 2 tables. Code: https://github.com/UniBwTAS/bagzel

한국어 초록

로봇 시스템은 대규모의 멀티모달 센서 데이터를 생성하지만, ROS bag 기록을 머신러닝 데이터셋으로 변환하는 작업은 종종 임시적인 순차 스크립트로 처리되어 엔지니어링 오버헤드와 느린 반복(iteration) 주기를 초래합니다. 본 연구에서는 데이터셋 구축을 의존성 그래프 상의 아티팩트 기반 빌드 프로세스로 모델링하고, 이를 재현 가능하며 점진적인 데이터셋 생성을 지원하는 오픈소스 Bazel 확장인 Bagzel(nuScenes 형식 내보내기 포함)로 구현합니다. 저자들은 Bagzel 및 Bagzel-xattr(서버 측 다이제스트 관리)을 순차적인 rosbag2nuscenes 기준선(baseline)과 비교합니다. Bagzel은 평가된 모든 실행 모드에서 실행 시간을 단축하며, 반복적인 워크플로에서 가장 큰 성능 향상(20.4GB 데이터셋 기준 웜 빌드에서 최대 386.26배, 점진적 빌드에서 7.21배)을 보입니다. 5.1GB에서 20.4GB에 이르는 데이터셋 크기 전반에 걸쳐 Bagzel 변형들은 특히 웜 및 점진적 모드에서 기준선보다 현저히 뛰어난 확장성 특성을 보여줍니다. Bagzel-xattr은 추가적인 이점을 제공하여 입력 세분성 연구에서 Bagzel 대비 평균 5.9%의 실행 시간 단축을 달성합니다. 전반적으로 로보틱스 데이터셋 구축을 아티팩트 기반 빌드 프로세스로 모델링하는 것은 재현성을 뒷받침하는 결정론적 빌드 설계를 유지하면서도 데이터셋 업데이트 지연 시간을 실질적으로 단축합니다.

원문 초록

Robotic systems generate large volumes of multimodal sensor data, but converting ROS bag recordings into machine learning datasets is often handled by ad hoc sequential scripts, creating engineering overhead and slow iteration cycles. We model dataset construction as an artifact-based build process over a dependency graph and implement this approach in Bagzel, an open-source Bazel extension for reproducible, incremental dataset generation (including nuScenes-format export). We compare Bagzel and Bagzel-xattr (server-side digest management) against a sequential rosbag2nuscenes baseline. Bagzel reduces runtime in all evaluated execution modes, with the largest gains in iterative workflows (up to 386.26x in warm builds and 7.21x in incremental builds on a 20.4 GB dataset). Across dataset sizes from 5.1 to 20.4 GB, Bagzel variants show markedly better scaling behavior than the baseline, especially in warm and incremental modes. Bagzel-xattr provides additional gains, with a mean runtime reduction of 5.9% compared to Bagzel in the input granularity study. Overall, modeling robotics dataset construction as an artifact-based build process substantially reduces dataset update latency while maintaining a deterministic build design that supports reproducibility.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2606.00162v2

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2606.21623v1cs.CV공통 태그 Autonomous Driving, nuscenes

doScenes Instructed Driving Challenge를 위한 DVDrive 접근법

A DVDrive Approach for doScenes Instructed Driving Challenge

지시 조건(instruction-conditioned) 궤적 예측은 자율주행에서 떠오르는 문제로, 모델이 시각적 장면 컨텍스트와 과거 운동뿐만 아니라 자연어 기동(maneuver) 지시로부터도 미래 자차(ego) 궤적을 예측한다. 본 논문은 3D 지각, 추론, 계획 기능을 갖춘 비전-언어-행동(vision-language-action) 주행 에이전트인 OmniDrive를 기반으로 doScenes Instructed Driving Challenge에 제출한 우리의 방법을 소개한다. doScenes 설정에 맞추기 위해 지시가 주석된 nuScenes 장면에서 OmniDrive를 학습(training)시키고, 12개의 미래 웨이포인트로 표현된 6초 자차 궤적을 생성한다. 다중 시점(multi-view) 시각적 그라운딩(grounding) 향상을 위해 OmniDrive 지각 헤드에 DVPE 스타일 divided-view perception 모듈을 추가한다. 제안 모듈은 모든 카메라 특징에 대해 전역적으로 어텐션(attention)을 적용하는 대신, 쿼리 특징과 이미지 토큰을 분할된 국소 시점 공간으로 묶고 각 시점 내에서 가시성 인식(visibility-aware) 크로스 어텐션을 수행한다. 이 설계는 무관한 시점 간(cross-view) 간섭을 줄이고, 모델이 언어 지시를 주행 관련 국소 시각적 근거와 더 잘 정렬(align)하도록 돕는다. 코드는 다음에서 공개되어 있다: https://github.com/feel12348/doscenes-omnidrive.

arXiv:2606.21115v1cs.CV공통 태그 Autonomous Driving

MS-rPPG: 운전자 모니터링 시스템에서 원격 광용적맥파를 위한 다중 스펙트럼 상태 공간 모델

MS-rPPG: Multi-spectral State Space Model for Remote Photoplethysmography in Driver Monitoring Systems

원격 광용적맥파(rPPG)는 생리 신호, 특히 심장 활동을 측정하는 카메라 기반 기법이다. 원격으로 측정된 신호로부터 심박수를 추정할 수 있으며, 이는 건강 모니터링에 매우 중요하다. 본 연구에서는 원격 심박수 추정에 기반한 운전자 건강 모니터링 시스템을 조사한다. 그러나 운전 환경은 제어되지 않은 환경으로, 영상이 다양한 조명 조건과 빈번한 머리 움직임의 영향을 받는다. MS-rPPG를 도입한다. 이는 RGB와 근적외선(NIR) 얼굴 영상을 결합하여 어려운 운전 조건 하에서 rPPG 추정을 완화하는 다중 스펙트럼 프레임워크이다. 두 스펙트럼 영상의 상보적 특징을 결합하기 위해, 주파수 영역 분석에 기반한 교차 스펙트럼 선형 변조(CSLM) 전략을 제안한다. 또한 다중 스펙트럼 특징 간 교차 채널 상호작용을 공동으로 포착하면서 장거리 시간적 의존성을 효과적으로 모델링하도록 설계된 새로운 상태 공간 모델인 MS-Mamba를 도입한다. 50명의 참가자가 차량을 운전하는 동안 기록한 MS-Drive라는 실세계 데이터셋을 수집했다. 제안 방법은 MR-NIRP Car 데이터셋과 MS-Drive 데이터셋에서 평가되었다. 실험 결과, MS-rPPG가 이전 방법들보다 더 나은 견고성과 심박수 추정 정확도를 보였으며, 운전자 건강 모니터링에 대한 잠재력을 강조한다. 코드는 github.com/ziiho08/MS-rPPG에서 이용할 수 있다.

arXiv:2607.14203v2cs.GR공통 태그 Autonomous Driving

Instant NuRec: 주행 장면 시뮬레이션을 위한 피드포워드 3D Gaussian 재구성

Instant NuRec: Feed-Forward 3D Gaussian Reconstruction for Driving Scene Simulation

3D 시뮬레이션 플랫폼은 end-to-end 정책 평가(evaluation)를 가능하게 하여 개발 비용을 줄이고 안전성을 향상시키기 때문에 자율주행에 핵심적이다. 최근 몇 년간 신경 시뮬레이션이 주류가 되었고, NuRec와 같은 방법이 중심적인 역할을 하고 있다. 그러나 이러한 방법들은 여전히 상대적으로 느리고, 일반적으로 장면별 튜닝이 필요하다. 본 연구에서는 단일 순전파(forward pass)로 짧은 다시점(multi-view) 주행 로그를 완전히 시뮬레이션 가능한 3D Gaussian Splatting(3DGS) 세계로 변환하는 피드포워드 신경 재구성 모델인 Instant NuRec를 제안한다. 이 모델은 보정된 카메라 리그의 다시점 입력을 받아 정적 및 동적 3DGS 레이어, 스카이 큐브맵(sky cubemap), 카메라별 ISP 보정으로 구성된 계층적 출력을 생성하며, 3DGUT를 통해 비 핀홀(non-pinhole) 카메라 모델에 대한 네이티브 지원을 제공한다. 이 모델은 10–20초 길이의 다중 카메라 장면을 약 1.5초 만에 재구성하며, Waymo Open 데이터셋에서 평가된 가장 강력한 기준선보다 PSNR이 2.01 dB 높은 성능을 달성한다. Instant NuRec는 NuRec에 깊이 통합되어 있으며, 폐루프(closed-loop) 시뮬레이션을 위해 AlpaSim과 호환된다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.