論文の概要: Online Mapping and Motion Planning under Uncertainty for Safe Navigation
in Unknown Environments
- arxiv url: http://arxiv.org/abs/2004.12317v2
- Date: Tue, 26 May 2020 15:23:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-09 13:45:04.810677
- Title: Online Mapping and Motion Planning under Uncertainty for Safe Navigation
in Unknown Environments
- Title（参考訳）: 未知環境における安全ナビゲーションの不確実性を考慮したオンライン地図作成と運動計画
- Authors: \`Eric Pairet, Juan David Hern\'andez, Marc Carreras, Yvan Petillot,
Morteza Lahijanian
- Abstract要約: 本論文は,確率論的安全保証者によるオンラインで実現可能な動作のマッピングと計画のための不確実性に基づくフレームワークを提案する。
提案手法は, 環境の不確実性を意識した環境表現を構築するために周囲をマッピングし, (i) 信念空間の多層サンプリングベースプランナーを通して, キノダイナミックに実現可能で確率論的に安全な目標に反復的に(re)計画を行うことにより, 動き, 確率論的安全性, オンライン計算制約を取り扱う。
- 参考スコア（独自算出の注目度）: 3.2296078260106174
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Safe autonomous navigation is an essential and challenging problem for robots
operating in highly unstructured or completely unknown environments. Under
these conditions, not only robotic systems must deal with limited localisation
information, but also their manoeuvrability is constrained by their dynamics
and often suffer from uncertainty. In order to cope with these constraints,
this manuscript proposes an uncertainty-based framework for mapping and
planning feasible motions online with probabilistic safety-guarantees. The
proposed approach deals with the motion, probabilistic safety, and online
computation constraints by: (i) incrementally mapping the surroundings to build
an uncertainty-aware representation of the environment, and (ii) iteratively
(re)planning trajectories to goal that are kinodynamically feasible and
probabilistically safe through a multi-layered sampling-based planner in the
belief space. In-depth empirical analyses illustrate some important properties
of this approach, namely, (a) the multi-layered planning strategy enables rapid
exploration of the high-dimensional belief space while preserving asymptotic
optimality and completeness guarantees, and (b) the proposed routine for
probabilistic collision checking results in tighter probability bounds in
comparison to other uncertainty-aware planners in the literature. Furthermore,
real-world in-water experimental evaluation on a non-holonomic torpedo-shaped
autonomous underwater vehicle and simulated trials in the Stairwell scenario of
the DARPA Subterranean Challenge 2019 on a quadrotor unmanned aerial vehicle
demonstrate the efficacy of the method as well as its suitability for systems
with limited on-board computational power.
- Abstract（参考訳）: 安全な自律ナビゲーションは、高度に構造化された、あるいは完全に未知の環境で動作するロボットにとって、必須かつ困難な問題である。
これらの条件下では、ロボットシステムは限られたローカライゼーション情報を扱う必要があるだけでなく、その操作性は彼らのダイナミクスによって制約され、しばしば不確実性に悩まされる。
これらの制約に対処するため,本書では,オンライン上で可能動作のマッピングと計画を行うための不確実性に基づく枠組みを提案する。
提案手法は, 動き, 確率的安全性, オンライン計算の制約を次のように扱う。
(i)環境の不確実性を考慮した表現を構築するために周囲を段階的にマッピングし、
(ii) 信念空間における多層サンプリング型プランナーによる運動力学的に実現可能で確率的に安全である目標への反復的(再)計画軌道
詳細な実証分析では、このアプローチの重要な特性が示されている。
(a)多層計画戦略は、漸近的最適性と完全性保証を維持しつつ、高次元の信念空間の迅速な探索を可能にする。
b) 確率的衝突チェックのルーチンは,文献中の他の不確実性認識プランナーと比較して,より厳密な確率境界となる。
さらに、非ホロノミック魚雷形状の自律水中車両の実際の水中実験とDARPA Subterranean Challenge 2019のステアウェルシナリオでの模擬試験は、この方法の有効性と、限定された計算能力を持つシステムに対する適合性を実証している。
関連論文リスト
- Safe and Efficient Path Planning under Uncertainty via Deep Collision Probability Fields [21.741354016294476]
衝突確率の推定は、経路計画中の安全を確保するために重要である。
Deep Collision Probability Fieldsは、任意のオブジェクトの衝突確率を計算するニューラルネットワークベースのアプローチである。
本手法は, 学習段階のサンプリングにより, 衝突確率の計算集約的な推定を導出する。
論文 参考訳（メタデータ） (2024-09-06T14:28:41Z) - SAFE-SIM: Safety-Critical Closed-Loop Traffic Simulation with Diffusion-Controllable Adversaries [94.84458417662407]
制御可能なクローズドループ安全クリティカルシミュレーションフレームワークであるSAFE-SIMを紹介する。
提案手法は,1)現実の環境を深く反映した現実的な長距離安全クリティカルシナリオの生成,2)より包括的でインタラクティブな評価のための制御可能な敵行動の提供,の2つの利点をもたらす。
複数のプランナにまたがるnuScenesとnuPlanデータセットを使用して、我々のフレームワークを実証的に検証し、リアリズムと制御性の両方の改善を実証した。
論文 参考訳（メタデータ） (2023-12-31T04:14:43Z) - Real-Time Tube-Based Non-Gaussian Risk Bounded Motion Planning for
Stochastic Nonlinear Systems in Uncertain Environments via Motion Primitives [9.088960941718]
不確実な環境下での非線形システムの動作計画問題を考える。
[1]とは異なり、リアルタイムなオンライン動作計画アルゴリズムを提案する。
総和二乗プログラミングを用いた決定論的リスクに対する管の安全性を検証する。
論文 参考訳（メタデータ） (2023-03-02T23:36:26Z) - Interpretable Self-Aware Neural Networks for Robust Trajectory
Prediction [50.79827516897913]
本稿では,意味概念間で不確実性を分散する軌道予測のための解釈可能なパラダイムを提案する。
実世界の自動運転データに対する我々のアプローチを検証し、最先端のベースラインよりも優れた性能を示す。
論文 参考訳（メタデータ） (2022-11-16T06:28:20Z) - Meta-Learning Priors for Safe Bayesian Optimization [72.8349503901712]
メタ学習アルゴリズムであるF-PACOHを構築し,データ不足の設定において確実な定量化を実現する。
コアコントリビューションとして、安全に適合した事前をデータ駆動で選択するための新しいフレームワークを開発する。
ベンチマーク関数と高精度動作系において,我々のメタ学習先行が安全なBOアプローチの収束を加速することを示す。
論文 参考訳（メタデータ） (2022-10-03T08:38:38Z) - Case Studies for Computing Density of Reachable States for Safe
Autonomous Motion Planning [8.220217498103313]
到達可能な状態の密度は、安全クリティカルなシステムのリスクを理解するのに役立つ。
最近の研究は、自律システムの前方到達可能な状態の密度分布をオンラインで計算するためのデータ駆動型アプローチを提供する。
本稿では,不確実性を考慮した安全な経路計画のためのモデル予測制御とモデル予測制御の併用について検討する。
論文 参考訳（メタデータ） (2022-09-16T17:38:24Z) - Recursively Feasible Probabilistic Safe Online Learning with Control Barrier Functions [60.26921219698514]
CBFをベースとした安全クリティカルコントローラのモデル不確実性を考慮した再構成を提案する。
次に、結果の安全制御器のポイントワイズ実現可能性条件を示す。
これらの条件を利用して、イベントトリガーによるオンラインデータ収集戦略を考案する。
論文 参考訳（メタデータ） (2022-08-23T05:02:09Z) - STEP: Stochastic Traversability Evaluation and Planning for Safe
Off-road Navigation [9.423950528323893]
トラバーサビリティを評価し,安全かつ実現可能な高速軌道をリアルタイムに計画する手法を提案する。
1)迅速な不確実性認識マッピングとトラバーサビリティ評価,2)条件付きバリュー・アット・リスク(CVaR)を用いたテールリスクアセスメント,3)効率的なリスクと制約を考慮したキノダイナミックな動き計画。
本手法をシミュレーションで解析し,地下溶岩管を含む極端な地形を探索する車輪型および脚型ロボットプラットフォーム上での有効性を検証する。
論文 参考訳（メタデータ） (2021-03-04T04:24:19Z) - 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) - The Importance of Prior Knowledge in Precise Multimodal Prediction [71.74884391209955]
道路にはよく定義された地形、地形、交通規則がある。
本稿では,構造的事前を損失関数として組み込むことを提案する。
実世界の自動運転データセットにおけるアプローチの有効性を実証する。
論文 参考訳（メタデータ） (2020-06-04T03:56:11Z) - Learning Control Barrier Functions from Expert Demonstrations [69.23675822701357]
制御障壁関数(CBF)に基づく安全な制御器合成のための学習に基づくアプローチを提案する。
最適化に基づくCBFの学習手法を解析し、基礎となる力学系のリプシッツ仮定の下で証明可能な安全保証を享受する。
私たちの知る限りでは、これらはデータから確実に安全な制御障壁関数を学習する最初の結果です。
論文 参考訳（メタデータ） (2020-04-07T12:29:06Z)
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。