論文の概要: DiffCo: Auto-Differentiable Proxy Collision Detection with Multi-class
Labels for Safety-Aware Trajectory Optimization
- arxiv url: http://arxiv.org/abs/2102.07413v1
- Date: Mon, 15 Feb 2021 09:31:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2021-02-16 15:19:49.048104
- Title: DiffCo: Auto-Differentiable Proxy Collision Detection with Multi-class
Labels for Safety-Aware Trajectory Optimization
- Title（参考訳）: DiffCo:安全認識軌道最適化のためのマルチクラスラベルによる自動微分プロキシ衝突検出
- Authors: Yuheng Zhi, Nikhil Das, Michael Yip
- Abstract要約: DiffCoは、衝突検出のための最初の完全自動微分可能非パラメトリックモデルである。
バックプロパゲーションによる軌道最適化のための頑健な勾配を提供し、幾何学的手法よりも計算が10-100倍高速であることが多い。
- 参考スコア（独自算出の注目度）: 5.35056843248536
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The objective of trajectory optimization algorithms is to achieve an optimal
collision-free path between a start and goal state. In real-world scenarios
where environments can be complex and non-homogeneous, a robot needs to be able
to gauge whether a state will be in collision with various objects in order to
meet some safety metrics. The collision detector should be computationally
efficient and, ideally, analytically differentiable to facilitate stable and
rapid gradient descent during optimization. However, methods today lack an
elegant approach to detect collision differentiably, relying rather on
numerical gradients that can be unstable. We present DiffCo, the first, fully
auto-differentiable, non-parametric model for collision detection. Its
non-parametric behavior allows one to compute collision boundaries on-the-fly
and update them, requiring no pre-training and allowing it to update
continuously in dynamic environments. It provides robust gradients for
trajectory optimization via backpropagation and is often 10-100x faster to
compute than its geometric counterparts. DiffCo also extends trivially to
modeling different object collision classes for semantically informed
trajectory optimization.
- Abstract（参考訳）: 軌道最適化アルゴリズムの目的は、開始状態と目標状態の間の最適な衝突のない経路を達成することである。
環境が複雑で非均質な現実のシナリオでは、ロボットは、いくつかの安全基準を満たすために、状態が様々な物体と衝突するかどうかを測定する必要がある。
衝突検知器は計算効率が高く、理想的には、最適化中に安定かつ迅速な勾配降下を容易にするために分析的に微分可能であるべきである。
しかし、今日の手法は、不安定な数値勾配に頼るのではなく、衝突を異なる方法で検出するエレガントなアプローチを欠いている。
DiffCoは、衝突検出のための最初の完全自動微分可能非パラメトリックモデルである。
非パラメトリックな振る舞いにより、衝突境界をオンザフライで計算し、それらを更新し、事前トレーニングを必要とせず、動的環境で継続的に更新することができる。
バックプロパゲーションによる軌道最適化のための頑健な勾配を提供し、幾何学的手法よりも計算が10-100倍高速であることが多い。
DiffCoはまた、意味的に情報化された軌道最適化のために異なるオブジェクト衝突クラスをモデリングすることにも自明に拡張する。
関連論文リスト
- Autonomous Vehicle Controllers From End-to-End Differentiable Simulation [60.05963742334746]
そこで我々は,AVコントローラのトレーニングにAPG(analytic Policy gradients)アプローチを適用可能なシミュレータを提案し,その設計を行う。
提案するフレームワークは, エージェントがより根底的なポリシーを学ぶのを助けるために, 環境力学の勾配を役立てる, エンド・ツー・エンドの訓練ループに, 微分可能シミュレータを組み込む。
ダイナミクスにおけるパフォーマンスとノイズに対する堅牢性の大幅な改善と、全体としてより直感的なヒューマンライクな処理が見られます。
論文 参考訳（メタデータ） (2024-09-12T11:50:06Z) - Event-Aided Time-to-Collision Estimation for Autonomous Driving [28.13397992839372]
ニューロモルフィックなイベントベースカメラを用いて衝突時刻を推定する新しい手法を提案する。
提案アルゴリズムは, 事象データに適合する幾何モデルに対して, 効率的かつ高精度な2段階のアプローチで構成する。
合成データと実データの両方の実験により,提案手法の有効性が示された。
論文 参考訳（メタデータ） (2024-07-10T02:37:36Z) - Distance and Collision Probability Estimation from Gaussian Surface Models [0.9208007322096533]
連続空間衝突確率推定は不確実性を考慮した運動計画に重要である。
ほとんどの衝突検出と回避アプローチは、ロボットが球体としてモデル化されていると仮定するが、楕円形表現はより厳密な近似を与える。
最先端の手法は、原点雲を加工することでユークリッド距離と勾配を導出する。
論文 参考訳（メタデータ） (2024-01-31T21:28:40Z) - Unbalanced Optimal Transport: A Unified Framework for Object Detection [97.74382560746987]
不均衡最適輸送がオブジェクト検出に対する異なるアプローチをどのように統合するかを示す。
非平衡最適輸送を用いた物体検出モデルの訓練が最先端に到達可能であることを示す。
このアプローチはGPUの実装に適しており、大規模なモデルに有利であることが証明されている。
論文 参考訳（メタデータ） (2023-07-05T16:21:52Z) - Accelerated First-Order Optimization under Nonlinear Constraints [73.2273449996098]
我々は、制約付き最適化のための一階アルゴリズムと非滑らかなシステムの間で、新しい一階アルゴリズムのクラスを設計する。
これらのアルゴリズムの重要な性質は、制約がスパース変数の代わりに速度で表されることである。
論文 参考訳（メタデータ） (2023-02-01T08:50:48Z) - Particle-Based Score Estimation for State Space Model Learning in
Autonomous Driving [62.053071723903834]
マルチオブジェクト状態推定はロボットアプリケーションの基本的な問題である。
粒子法を用いて最大形パラメータを学習することを検討する。
自動運転車から収集した実データに本手法を適用した。
論文 参考訳（メタデータ） (2022-12-14T01:21:05Z) - Obstacle Identification and Ellipsoidal Decomposition for Fast Motion
Planning in Unknown Dynamic Environments [0.0]
未知環境における衝突回避は、無人システムにとって最も重要な課題の1つである。
線形障害物速度と角障害物速度を推定するために, 楕円体の観点から障害物を同定する手法を提案する。
論文 参考訳（メタデータ） (2022-09-28T17:00:10Z) - Exact and Bounded Collision Probability for Motion Planning under
Gaussian Uncertainty [1.3535770763481902]
本稿では,ガウス分布運動下での衝突確率の計算手法を提案する。
衝突条件は楕円体間の距離として定式化される。
オンラインプランニングにおいて、より高速に計算できる、厳密な上限を提供します。
論文 参考訳（メタデータ） (2021-10-12T20:45:18Z) - An Integrated Localisation, Motion Planning and Obstacle Avoidance
Algorithm in Belief Space [1.3535770763481902]
ノイズセンサとアクティベーションエラーは、環境の特徴を推定しながら導入されたエラーと重なり合う。
本稿では,ロボットの状態推定にこれらの不確実性を取り入れた新しい手法を提案する。
推定ロボット構成に関する衝突確率を計算する。
論文 参考訳（メタデータ） (2021-01-27T17:47:45Z) - DiffPD: Differentiable Projective Dynamics with Contact [65.88720481593118]
DiffPDは、暗黙の時間積分を持つ効率的な微分可能なソフトボディシミュレータである。
我々はDiffPDの性能を評価し,様々な応用における標準ニュートン法と比較して4～19倍のスピードアップを観測した。
論文 参考訳（メタデータ） (2021-01-15T00:13:33Z) - Scalable Differentiable Physics for Learning and Control [99.4302215142673]
微分物理学は、物理的対象や環境を含む問題を学習し、制御するための強力なアプローチである。
我々は、多数のオブジェクトとその相互作用をサポートすることができる微分可能物理学のためのスケーラブルなフレームワークを開発する。
論文 参考訳（メタデータ） (2020-07-04T19:07:51Z)
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。