Fugu-MT 論文翻訳(概要): Exact and Bounded Collision Probability for Motion Planning under Gaussian Uncertainty

論文の概要: Exact and Bounded Collision Probability for Motion Planning under Gaussian Uncertainty

arxiv url: http://arxiv.org/abs/2110.06348v1
Date: Tue, 12 Oct 2021 20:45:18 GMT
ステータス: 処理完了
システム内更新日: 2021-10-15 07:28:51.302267
Title: Exact and Bounded Collision Probability for Motion Planning under Gaussian Uncertainty
Title（参考訳）: ガウスの不確かさ下における運動計画のための実測・境界衝突確率
Authors: Antony Thomas, Fulvio Mastrogiovanni, Marco Baglietto
Abstract要約: 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。
参考スコア（独自算出の注目度）: 1.3535770763481902
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Computing collision-free trajectories is of prime importance for safe navigation. We present an approach for computing the collision probability under Gaussian distributed motion and sensing uncertainty with the robot and static obstacle shapes approximated as ellipsoids. The collision condition is formulated as the distance between ellipsoids and unlike previous approaches we provide a method for computing the exact collision probability. Furthermore, we provide a tight upper bound that can be computed much faster during online planning. Comparison to other state-of-the-art methods is also provided. The proposed method is evaluated in simulation under varying configuration and number of obstacles.
Abstract（参考訳）: 衝突のない軌道の計算は安全な航法において重要である。本稿では,ガウス分散運動下での衝突確率を計算し,ロボットとの不確かさや楕円形近似した静的障害物形状を検知する手法を提案する。衝突条件は楕円体間の距離として定式化され、従来の手法とは異なり正確な衝突確率を計算する方法を提供する。さらに,オンライン計画においてより高速に計算できる強固な上界を提供する。他の最先端の方法との比較も提供される。提案手法は,様々な構成と障害物数でシミュレーションにより評価される。

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)
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)
Calibrating Neural Simulation-Based Inference with Differentiable Coverage Probability [50.44439018155837]
ニューラルモデルのトレーニング目的に直接キャリブレーション項を含めることを提案する。古典的なキャリブレーション誤差の定式化を緩和することにより、エンドツーエンドのバックプロパゲーションを可能にする。既存の計算パイプラインに直接適用でき、信頼性の高いブラックボックス後部推論が可能である。
論文参考訳（メタデータ） (2023-10-20T10:20:45Z)
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)
Safe motion planning with environment uncertainty [1.4824891788575418]
本稿では,ロボットの状態と環境の不確実性を考慮した安全な運動計画手法を提案する。我々はまず,ロボットのローカライゼーションにおける画期的な不確実性を考慮したアプローチを開発する。次に、衝突確率の正確な式を計算することにより、最先端の手法を拡張する。
論文参考訳（メタデータ） (2023-05-10T09:29:41Z)
Model Predictive Control with Gaussian-Process-Supported Dynamical Constraints for Autonomous Vehicles [82.65261980827594]
本研究では、学習したガウス過程を利用して人間の運転行動を予測する自動運転車のモデル予測制御手法を提案する。マルチモード予測制御アプローチは、人間のドライバーの意図を考察する。
論文参考訳（メタデータ） (2023-03-08T17:14:57Z)
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)
Trajectory Forecasting from Detection with Uncertainty-Aware Motion Encoding [121.66374635092097]
物体検出と追跡から得られる軌道は、必然的にうるさい。本稿では, 明示的に形成された軌道に依存することなく, 直接検出結果に基づく軌道予測器を提案する。
論文参考訳（メタデータ） (2022-02-03T09:09:56Z)
Congestion-aware Multi-agent Trajectory Prediction for Collision Avoidance [110.63037190641414]
渋滞パターンを明示的に学習し、新しい「センス--学習--Reason--予測」フレームワークを考案する。学習段階を2段階に分解することで、「学生」は「教師」から文脈的手がかりを学習し、衝突のない軌跡を生成する。実験では,提案モデルが合成データセットにおいて衝突のない軌道予測を生成できることを実証する。
論文参考訳（メタデータ） (2021-03-26T02:42:33Z)
Generating and Characterizing Scenarios for Safety Testing of Autonomous Vehicles [86.9067793493874]
最先端運転シミュレータを用いて,テストシナリオを特徴付け,生成するための効率的なメカニズムを提案する。次世代シミュレーション(NGSIM)プロジェクトにおける実運転データの特徴付けに本手法を用いる。事故回避の複雑さに基づいてメトリクスを定義してシナリオをランク付けし、事故発生の可能性を最小限に抑えるための洞察を提供します。
論文参考訳（メタデータ） (2021-03-12T17:00:23Z)
DiffCo: Auto-Differentiable Proxy Collision Detection with Multi-class Labels for Safety-Aware Trajectory Optimization [5.35056843248536]
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。
論文参考訳（メタデータ） (2021-02-15T09:31:26Z)

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。