論文の概要: FASTER: Fast and Safe Trajectory Planner for Navigation in Unknown Environments

• arxiv url: http://arxiv.org/abs/2001.04420v2
• Date: Mon, 30 Aug 2021 18:21:30 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-13 05:14:14.893518
• Title: FASTER: Fast and Safe Trajectory Planner for Navigation in Unknown Environments
• Title（参考訳）: 未知環境におけるナビゲーションのための高速かつ安全な軌道プランナー
• Authors: Jesus Tordesillas, Brett T. Lopez, Michael Everett, and Jonathan P. How
• Abstract要約: 本研究は、速度を犠牲にすることなく安全を確保するためのFASTER(Fast and Safe Trajectory Planner)を提案する。 FASTERは、ローカルプランナーが自由空間と未知空間の両方で最適化できるようにすることにより、高速な軌道を得る。 FASTERはシミュレーションや実際のハードウェアで広くテストされており、未知の乱雑な環境での飛行速度は7.8m/sである。
• 参考スコア（独自算出の注目度）: 33.95195103092702
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Planning high-speed trajectories for UAVs in unknown environments requires algorithmic techniques that enable fast reaction times to guarantee safety as more information about the environment becomes available. The standard approaches that ensure safety by enforcing a "stop" condition in the free-known space can severely limit the speed of the vehicle, especially in situations where much of the world is unknown. Moreover, the ad-hoc time and interval allocation scheme usually imposed on the trajectory also leads to conservative and slower trajectories. This work proposes FASTER (Fast and Safe Trajectory Planner) to ensure safety without sacrificing speed. FASTER obtains high-speed trajectories by enabling the local planner to optimize in both the free-known and unknown spaces. Safety is ensured by always having a safe back-up trajectory in the free-known space. The MIQP formulation proposed also allows the solver to choose the trajectory interval allocation. FASTER is tested extensively in simulation and in real hardware, showing flights in unknown cluttered environments with velocities up to 7.8m/s, and experiments at the maximum speed of a skid-steer ground robot (2m/s).
• Abstract（参考訳）: 未知環境におけるuavの高速軌道計画には、より詳細な情報が得られるように、迅速な反応時間を保証できるアルゴリズム技術が必要である。 自由既知の空間に「停止」条件を課すことで安全性を確保する標準的なアプローチは、特に世界の大部分が不明な状況において、車両の速度を著しく制限することができる。 さらに、通常軌道に課されるアドホックな時間と間隔の割当てスキームは、保存的かつ遅い軌道にもつながる。 本研究は、速度を犠牲にすることなく安全を確保するためのFASTER(Fast and Safe Trajectory Planner)を提案する。 FASTERは、ローカルプランナーが自由空間と未知空間の両方で最適化できるようにすることにより、高速な軌道を得る。 安全は、常にフリースペースで安全なバックアップ軌道を持つことによって保証される。 提案したMIQPの定式化により、解法は軌道間隔の割り当てを選択できる。 高速はシミュレーションと実際のハードウェアで広範囲にテストされ、最大速度7.8m/sの未知の環境で飛行し、スキッドステア地上ロボット(2m/s)の最大速度で実験を行う。

関連論文リスト

• ReGentS: Real-World Safety-Critical Driving Scenario Generation Made Stable [88.08120417169971]
  機械学習に基づく自律運転システムは、現実世界のデータでは稀な安全クリティカルなシナリオで課題に直面していることが多い。 この研究は、軌道最適化によって複雑な現実世界の通常のシナリオを変更することによって、安全クリティカルな運転シナリオを生成することを検討する。 提案手法は、頑健なプランナーの訓練には役に立たない非現実的な発散軌道と避けられない衝突シナリオに対処する。
  論文  参考訳（メタデータ） (2024-09-12T08:26:33Z)
• RACER: Epistemic Risk-Sensitive RL Enables Fast Driving with Fewer Crashes [57.319845580050924]
  本稿では,リスク感応制御と適応行動空間のカリキュラムを組み合わせた強化学習フレームワークを提案する。 提案アルゴリズムは,現実世界のオフロード運転タスクに対して,高速なポリシーを学習可能であることを示す。
  論文  参考訳（メタデータ） (2024-05-07T23:32:36Z)
• Risk-Aware Off-Road Navigation via a Learned Speed Distribution Map [39.54575497596679]
  本研究は,データから学習可能なロボットの速度のみに基づく,トラバーサビリティの新たな表現を提案する。 提案アルゴリズムは,ロボットが達成できる速度の分布を,環境セマンティクスと命令された速度に基づいて予測する。 数値シミュレーションにより,提案したリスク認識計画アルゴリズムが平均目標達成時間を短縮することを示した。
  論文  参考訳（メタデータ） (2022-03-25T03:08:02Z)
• Learning High-Speed Flight in the Wild [101.33104268902208]
  複雑な自然環境や人工環境を高速で自律的に飛行するエンド・ツー・エンドのアプローチを提案する。 鍵となる原理は、雑音の知覚観測を直接、後退水平方向に無衝突軌道にマッピングすることである。 現実的なセンサノイズをシミュレートすることにより,シミュレーションから現実環境へのゼロショット転送を実現する。
  論文  参考訳（メタデータ） (2021-10-11T09:43:11Z)
• Time-Optimal Planning for Quadrotor Waypoint Flight [50.016821506107455]
  立方体の作動限界における時間-最適軌道の計画は未解決の問題である。 四重項のアクチュエータポテンシャルをフル活用する解を提案する。 我々は、世界最大規模のモーションキャプチャーシステムにおいて、実世界の飛行における我々の方法を検証する。
  論文  参考訳（メタデータ） (2021-08-10T09:26:43Z)
• IA Planner: Motion Planning Using Instantaneous Analysis for Autonomous Vehicle in the Dense Dynamic Scenarios on Highways [1.6791232288938656]
  密集したダイナミックシーンでは、軌道計画の失敗や他の人による切り込みが容易である。 本稿では,衝突関係のみを同時に解析する瞬時解析モデルを提案する。 実験結果から, 本手法は, 高密度な動的シナリオにおいて, 安全快適かつ車線変化軌道を計画できることが示された。
  論文  参考訳（メタデータ） (2021-03-19T17:10:50Z)
• Robust Autonomous Landing of UAV in Non-Cooperative Environments based on Dynamic Time Camera-LiDAR Fusion [11.407952542799526]
  低コストLiDARと双眼カメラを備えたUAVシステムを構築し,非協調環境における自律着陸を実現する。 我々は,LiDARの非繰り返し走査と高いFOVカバレッジ特性を利用して,動的時間深度補完アルゴリズムを考案した。 深度マップに基づいて, 傾斜, 粗度, 安全領域の大きさなどの高層地形情報を導出する。
  論文  参考訳（メタデータ） (2020-11-27T14:47:02Z)
• Trajectory Planning for Autonomous Vehicles Using Hierarchical Reinforcement Learning [21.500697097095408]
  不確実かつ動的条件下で安全な軌道を計画することは、自律運転問題を著しく複雑にする。 RRT(Rapidly Exploring Random Trees)のような現在のサンプリングベース手法は、高い計算コストのため、この問題には理想的ではない。 軌道計画のための階層型強化学習構造とPID(Proportional-Integral-Derivative)コントローラを提案する。
  論文  参考訳（メタデータ） (2020-11-09T20:49:54Z)
• Learning-based 3D Occupancy Prediction for Autonomous Navigation in Occluded Environments [7.825273522024438]
  本稿では,未知空間の占有分布を確実に予測するためのディープニューラルネットワークに基づく手法を提案する。 ネットワークのトレーニングにはラベルのない非地上データを使用し、未確認環境のリアルタイムナビゲーションにそれを適用することに成功しています。
  論文  参考訳（メタデータ） (2020-11-08T13:51:34Z)
• Chance-Constrained Trajectory Optimization for Safe Exploration and Learning of Nonlinear Systems [81.7983463275447]
  学習に基づく制御アルゴリズムは、訓練のための豊富な監督を伴うデータ収集を必要とする。 本稿では,機会制約付き最適制御と動的学習とフィードバック制御を統合した安全な探索による最適動作計画のための新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2020-05-09T05:57:43Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。