論文の概要: Machine Learning Based Path Planning for Improved Rover Navigation (Pre-Print Version)

• arxiv url: http://arxiv.org/abs/2011.06022v1
• Date: Wed, 11 Nov 2020 19:18:47 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-27 01:11:08.755306
• Title: Machine Learning Based Path Planning for Improved Rover Navigation (Pre-Print Version)
• Title（参考訳）: ローバーナビゲーション改善のための機械学習による経路計画(プレプリント版)
• Authors: Neil Abcouwer and Shreyansh Daftry and Siddarth Venkatraman and Tyler del Sesto and Olivier Toupet and Ravi Lanka and Jialin Song and Yisong Yue and Masahiro Ono
• Abstract要約: ENav (Enhanced AutoNav) は、NASAのPerseveranceローバーのベースラインサーフェスナビゲーションソフトウェアである。 ENavは、ローバーが走行するための候補パスのリストをソートし、次に、最もランクの高いパスが安全かどうかを評価するために、近似クリアランス評価(ACE)アルゴリズムを使用する。 ACEはローバーの安全性を維持するために重要であるが、計算上は高価である。 ACE評価の前に、より効果的に候補経路をランク付けする2つの計算結果を示す。
• 参考スコア（独自算出の注目度）: 26.469069930513857
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Enhanced AutoNav (ENav), the baseline surface navigation software for NASA's Perseverance rover, sorts a list of candidate paths for the rover to traverse, then uses the Approximate Clearance Evaluation (ACE) algorithm to evaluate whether the most highly ranked paths are safe. ACE is crucial for maintaining the safety of the rover, but is computationally expensive. If the most promising candidates in the list of paths are all found to be infeasible, ENav must continue to search the list and run time-consuming ACE evaluations until a feasible path is found. In this paper, we present two heuristics that, given a terrain heightmap around the rover, produce cost estimates that more effectively rank the candidate paths before ACE evaluation. The first heuristic uses Sobel operators and convolution to incorporate the cost of traversing high-gradient terrain. The second heuristic uses a machine learning (ML) model to predict areas that will be deemed untraversable by ACE. We used physics simulations to collect training data for the ML model and to run Monte Carlo trials to quantify navigation performance across a variety of terrains with various slopes and rock distributions. Compared to ENav's baseline performance, integrating the heuristics can lead to a significant reduction in ACE evaluations and average computation time per planning cycle, increase path efficiency, and maintain or improve the rate of successful traverses. This strategy of targeting specific bottlenecks with ML while maintaining the original ACE safety checks provides an example of how ML can be infused into planetary science missions and other safety-critical software.
• Abstract（参考訳）: NASAのPerseveranceローバーのベースラインサーフェスナビゲーションソフトウェアであるEnhanced AutoNav (ENav) は、ローバーが走行するための候補パスのリストをソートし、次に、最も高いランクのパスが安全かどうかを評価するために、アポキシマクリアランスアセスメント(ACE)アルゴリズムを使用する。 ACEはローバーの安全性を維持するために重要であるが、計算上は高価である。 パスリストの最も有望な候補がすべて無効であることが判明した場合、ENavはリストを検索し、実行可能なパスが見つかるまでACE評価を実行し続けなければなりません。 本稿では,ローバー周辺の地形分布を推定し,より効果的にACE評価前の候補経路をランク付けするコスト推定を行う2つのヒューリスティックスを提案する。 最初のヒューリスティックはソベル作用素と畳み込みを使って高勾配地形を横断するコストを組み込んだものである。 第2のヒューリスティックは、機械学習(ML)モデルを使用して、ACEによって不可避と見なされる領域を予測する。 我々は物理シミュレーションを用いてMLモデルのトレーニングデータを収集し、モンテカルロ試験を行い、様々な斜面や岩盤分布を持つ様々な地形におけるナビゲーション性能の定量化を行った。 ENavのベースライン性能と比較すると、ヒューリスティックスの統合はACE評価の大幅な削減と計画サイクル毎の平均計算時間を短縮し、経路効率を向上し、成功したトラバースの速度を維持または改善する。 オリジナルのACE安全性チェックを維持しながら、特定のボトルネックをMLでターゲットとするこの戦略は、惑星科学ミッションやその他の安全クリティカルなソフトウェアにMLを注入する方法の例を提供する。

関連論文リスト

• MPVO: Motion-Prior based Visual Odometry for PointGoal Navigation [3.9974562667271507]
  視覚計測(VO)は,室内環境におけるエンボディエージェントの正確なポイントゴールナビゲーションを可能にするために不可欠である。 近年の深層学習VO法は, 頑健な性能を示すが, トレーニング中のサンプル不効率に悩まされている。 エージェントが環境をナビゲートしている間に利用可能な動作先に基づいて、ロバストでサンプル効率の良いVOパイプラインを提案する。
  論文  参考訳（メタデータ） (2024-11-07T15:36:49Z)
• Angle Robustness Unmanned Aerial Vehicle Navigation in GNSS-Denied Scenarios [66.05091704671503]
  本稿では、ポイントツーポイントナビゲーションタスクにおける飛行偏差に対処する新しい角度ナビゲーションパラダイムを提案する。 また、Adaptive Feature Enhance Module、Cross-knowledge Attention-guided Module、Robust Task-oriented Head Moduleを含むモデルを提案する。
  論文  参考訳（メタデータ） (2024-02-04T08:41:20Z)
• RSRD: A Road Surface Reconstruction Dataset and Benchmark for Safe and Comfortable Autonomous Driving [67.09546127265034]
  道路表面の再構築は、車両の走行計画と制御システムの解析と予測を促進するのに役立つ。 我々は,様々な運転条件下で,特定のプラットフォームで収集した実世界,高解像度,高精度のデータセットであるRoad Surface Reconstructionデータセットを紹介した。 約16,000対のステレオ画像、原点雲、地中深度・不均等地図を含む一般的な道路形態を網羅している。
  論文  参考訳（メタデータ） (2023-10-03T17:59:32Z)
• CoverNav: Cover Following Navigation Planning in Unstructured Outdoor Environment with Deep Reinforcement Learning [1.0499611180329804]
  オフロード地形やジャングル環境における隠蔽およびナビゲート可能な軌道を識別するための,Deep Reinforcement Learning に基づく新しいアルゴリズム CoverNav を提案する。 CoverNavは、ロボットエージェントが報酬関数を使って低い標高の地形を学習するのを助ける。 また,カバーナブの最大目標距離12mと,カバーオブジェクトの有無による異なる標高シナリオにおける成功率について検討した。
  論文  参考訳（メタデータ） (2023-08-12T15:19:49Z)
• WayFAST: Traversability Predictive Navigation for Field Robots [5.914664791853234]
  本稿では,車輪付き移動ロボットの走行経路を予測するための自己教師型アプローチを提案する。 キーとなるインスピレーションは、キノダイナミックモデルを用いてローリングロボットのトラクションを推定できることです。 オンライントラクション推定に基づくトレーニングパイプラインは,他の手法よりもデータ効率が高いことを示す。
  論文  参考訳（メタデータ） (2022-03-22T22:02:03Z)
• MLNav: Learning to Safely Navigate on Martian Terrains [25.42849032622348]
  MLNavは,安全クリティカルで資源に制限のあるシステムのための学習支援パス計画フレームワークである。 MLNavは、安全制約を完全に尊重しながら、経路計画の効率を高めるために、機械学習を司法的に利用している。 我々は,火星の実際の地形データと,難易度の高い合成地形データを用いて高忠実度シミュレーションを検証した。
  論文  参考訳（メタデータ） (2022-03-09T07:53:15Z)
• ViKiNG: Vision-Based Kilometer-Scale Navigation with Geographic Hints [94.60414567852536]
  長距離航法には、計画と局所的な移動可能性の推論の両方が必要である。 学習と計画を統合する学習に基づくアプローチを提案する。 ViKiNGは、画像ベースの学習コントローラを利用できる。
  論文  参考訳（メタデータ） (2022-02-23T02:14:23Z)
• Learning Space Partitions for Path Planning [54.475949279050596]
  PlaLaMは2次元ナビゲーションタスクにおける既存の経路計画手法よりも優れており、特に難解な局所最適化の存在下では優れている。 これらは高マルチモーダルな実世界のタスクに移行し、コンパイラフェーズでは最大245%、分子設計では最大0.4の強いベースラインを0-1スケールで上回ります。
  論文  参考訳（メタデータ） (2021-06-19T18:06:11Z)
• Road Network Metric Learning for Estimated Time of Arrival [93.0759529610483]
  本稿では,ATA(Estimated Time of Arrival)のための道路ネットワークメトリックラーニングフレームワークを提案する。 本研究は,(1)走行時間を予測する主回帰タスク,(2)リンク埋め込みベクトルの品質向上のための補助的計量学習タスクの2つの構成要素から構成される。 提案手法は最先端モデルよりも優れており,その促進は少ないデータでコールドリンクに集中していることを示す。
  論文  参考訳（メタデータ） (2020-06-24T04:45:14Z)
• 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)
• Three Dimensional Route Planning for Multiple Unmanned Aerial Vehicles using Salp Swarm Algorithm [0.0]
  ルートプランニングは、あるスタート地点から目的地のゴール地点までの一連の翻訳と回転のステップである。 提案手法は,それぞれ平均コストと全体の時間を1.25%と6.035%改善する。
  論文  参考訳（メタデータ） (2019-11-24T12:36:18Z)

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。