Fugu-MT 論文翻訳(概要): Learning-based 3D Occupancy Prediction for Autonomous Navigation in Occluded Environments

論文の概要: Learning-based 3D Occupancy Prediction for Autonomous Navigation in Occluded Environments

arxiv url: http://arxiv.org/abs/2011.03981v2
Date: Sat, 27 Mar 2021 10:54:16 GMT
ステータス: 処理完了
システム内更新日: 2022-09-28 08:18:36.924156
Title: Learning-based 3D Occupancy Prediction for Autonomous Navigation in Occluded Environments
Title（参考訳）: 学習環境における自律ナビゲーションのための学習型3次元動作予測
Authors: Lizi Wang, Hongkai Ye, Qianhao Wang, Yuman Gao, Chao Xu and Fei Gao
Abstract要約: 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。
参考スコア（独自算出の注目度）: 7.825273522024438
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In autonomous navigation of mobile robots, sensors suffer from massive occlusion in cluttered environments, leaving significant amount of space unknown during planning. In practice, treating the unknown space in optimistic or pessimistic ways both set limitations on planning performance, thus aggressiveness and safety cannot be satisfied at the same time. However, humans can infer the exact shape of the obstacles from only partial observation and generate non-conservative trajectories that avoid possible collisions in occluded space. Mimicking human behavior, in this paper, we propose a method based on deep neural network to predict occupancy distribution of unknown space reliably. Specifically, the proposed method utilizes contextual information of environments and learns from prior knowledge to predict obstacle distributions in occluded space. We use unlabeled and no-ground-truth data to train our network and successfully apply it to real-time navigation in unseen environments without any refinement. Results show that our method leverages the performance of a kinodynamic planner by improving security with no reduction of speed in clustered environments.
Abstract（参考訳）: 移動ロボットの自律走行では、センサーは乱雑な環境で大きな閉塞に苦しめられ、計画中にかなりのスペースが不明となる。実際には、未知空間を楽観的あるいは悲観的な方法で扱うことは、どちらも計画性能の限界を設定するため、攻撃性と安全性を同時に満たすことはできない。しかし、人間は部分的な観測から障害物の正確な形状を推測することができ、閉鎖空間での衝突を避けるための非保存軌道を生成することができる。本稿では,人間の行動を模倣し,未知空間の占有率分布を確実に予測する深層ニューラルネットワークに基づく手法を提案する。具体的には,環境の文脈情報を用いて事前知識から学習し,オクルード空間における障害物分布を予測する。ラベルなし、地中なしのデータを使ってネットワークを訓練し、未発見の環境でのリアルタイムナビゲーションにうまく適用しました。提案手法は, クラスタ環境における速度の低下を伴わず, セキュリティを向上し, キノダイナミックプランナの性能を活用していることを示す。

関連論文リスト

OOSTraj: Out-of-Sight Trajectory Prediction With Vision-Positioning Denoising [49.86409475232849]
軌道予測はコンピュータビジョンと自律運転の基本である。この分野における既存のアプローチは、しばしば正確で完全な観測データを仮定する。本稿では,視覚的位置決め技術を利用した視線外軌道予測手法を提案する。
論文参考訳（メタデータ） (2024-04-02T18:30:29Z)
Belief Aided Navigation using Bayesian Reinforcement Learning for Avoiding Humans in Blind Spots [0.0]
本研究では、部分的に観測可能なマルコフ決定プロセスフレームワークに基づく新しいアルゴリズムBNBRL+を導入し、観測不能領域のリスクを評価する。ロボット、人間、そして推論された信念のダイナミクスを統合し、ナビゲーションパスを決定し、報酬関数に社会規範を埋め込む。このモデルでは、視認性に限界があり、障害物を動的に回避できるため、自動運転車の安全性と信頼性を大幅に向上させることができる。
論文参考訳（メタデータ） (2024-03-15T08:50:39Z)
Cooperative Probabilistic Trajectory Forecasting under Occlusion [110.4960878651584]
隠蔽対象の情報を安全なナビゲーションのためにエゴエージェントに伝達する必要がある場合が多い。本稿では,エゴエージェントの基準フレームにおける閉塞歩行者の現況を協調的に推定するエンド・ツー・エンドネットワークを設計する。また,エゴ剤による閉塞歩行者の不確実性を考慮した軌道予測は,閉塞を前提とした地上の真実軌道とほぼ同様であることを示した。
論文参考訳（メタデータ） (2023-12-06T05:36:52Z)
AI planning in the imagination: High-level planning on learned abstract search spaces [68.75684174531962]
我々は,エージェントが訓練中に学習する抽象的な検索空間において,エージェントが計画することを可能にする,PiZeroと呼ばれる新しい手法を提案する。本研究では,旅行セールスマン問題,ソコバン問題,2048年,施設立地問題,パックマン問題など,複数の分野で評価を行った。
論文参考訳（メタデータ） (2023-08-16T22:47:16Z)
Implicit Occupancy Flow Fields for Perception and Prediction in Self-Driving [68.95178518732965]
自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
論文参考訳（メタデータ） (2023-08-02T23:39:24Z)
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)
SABER: Data-Driven Motion Planner for Autonomously Navigating Heterogeneous Robots [112.2491765424719]
我々は、データ駆動型アプローチを用いて、異種ロボットチームをグローバルな目標に向けてナビゲートする、エンドツーエンドのオンラインモーションプランニングフレームワークを提案する。モデル予測制御(SMPC)を用いて,ロボット力学を満たす制御入力を計算し,障害物回避時の不確実性を考慮した。リカレントニューラルネットワークは、SMPC有限時間地平線解における将来の状態の不確かさを素早く推定するために用いられる。ディープQ学習エージェントがハイレベルパスプランナーとして機能し、SMPCにロボットを望ましいグローバルな目標に向けて移動させる目標位置を提供する。
論文参考訳（メタデータ） (2021-08-03T02:56:21Z)
Online search of unknown terrains using a dynamical system-based path planning approach [0.0]
この研究では、ロボットが障害物から離れて操縦し、短期間で空間全体を覆うのに役立つ新しいスケーラブルな技術を紹介します。この手法を用いた場合、ロボットの性能は最先端のプランナーと比較して平均49%向上した。
論文参考訳（メタデータ） (2021-03-22T14:00:04Z)
Online Planning in Uncertain and Dynamic Environment in the Presence of Multiple Mobile Vehicles [5.894659354028797]
環境条件が不確実な環境条件下での移動体ロボットの自律走行について検討する。我々はまず,時間変動による乱れの影響を考慮し,他の車両の将来の状態分布を予測した。次に,ロボットが到達する確率の高い状態を含む動的障害物対応リーチ可能空間を構築する。
論文参考訳（メタデータ） (2020-09-08T13:27:57Z)
Autonomous Exploration Under Uncertainty via Deep Reinforcement Learning on Graphs [5.043563227694137]
本研究では,移動ロボットが事前の未知環境におけるランドマークの正確なマッピングをリアルタイムで効率的に行うという自律的な探索問題を考察する。本稿では,グラフニューラルネットワーク(GNN)と深部強化学習(DRL)を併用した新しい手法を提案する。
論文参考訳（メタデータ） (2020-07-24T16:50:41Z)
Online Mapping and Motion Planning under Uncertainty for Safe Navigation in Unknown Environments [3.2296078260106174]
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。
論文参考訳（メタデータ） (2020-04-26T08:53:37Z)

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。