論文の概要: Obstacle Identification and Ellipsoidal Decomposition for Fast Motion Planning in Unknown Dynamic Environments

• arxiv url: http://arxiv.org/abs/2209.14233v3
• Date: Tue, 4 Apr 2023 13:23:54 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-05 18:44:24.230969
• Title: Obstacle Identification and Ellipsoidal Decomposition for Fast Motion Planning in Unknown Dynamic Environments
• Title（参考訳）: 未知動環境における高速運動計画のための障害物同定と楕円形分解
• Authors: Mehmetcan Kaymaz and Nazim Kemal Ure
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Collision avoidance in the presence of dynamic obstacles in unknown environments is one of the most critical challenges for unmanned systems. In this paper, we present a method that identifies obstacles in terms of ellipsoids to estimate linear and angular obstacle velocities. Our proposed method is based on the idea of any object can be approximately expressed by ellipsoids. To achieve this, we propose a method based on variational Bayesian estimation of Gaussian mixture model, the Kyachiyan algorithm, and a refinement algorithm. Our proposed method does not require knowledge of the number of clusters and can operate in real-time, unlike existing optimization-based methods. In addition, we define an ellipsoid-based feature vector to match obstacles given two timely close point frames. Our method can be applied to any environment with static and dynamic obstacles, including the ones with rotating obstacles. We compare our algorithm with other clustering methods and show that when coupled with a trajectory planner, the overall system can efficiently traverse unknown environments in the presence of dynamic obstacles.
• Abstract（参考訳）: 未知の環境における動的障害物の存在による衝突回避は、無人システムにとって最も重要な課題の1つである。 本稿では,楕円体の観点から障害物を識別し,線形および角障害物速度を推定する手法を提案する。 提案手法は,任意の物体を楕円体で近似的に表現できるという考えに基づいている。 そこで本研究では,ガウス混合モデルの変分ベイズ推定法,カチヤンアルゴリズム,精細化アルゴリズムを提案する。 提案手法はクラスタ数の知識を必要とせず,既存の最適化手法と異なり,リアルタイムに動作可能である。 さらに,2つの時間的近接点フレームの障害物に一致する楕円型特徴ベクトルを定義する。 本手法は, 回転する障害物を含む静的および動的障害のある環境に適用することができる。 このアルゴリズムを他のクラスタリング手法と比較し,軌道プランナーと組み合わせることで,動的障害が存在する場合,システム全体が未知の環境を効率的に横断できることを示す。

関連論文リスト

• Integer Programming for Learning Directed Acyclic Graphs from Non-identifiable Gaussian Models [6.54203362045253]
  本研究では,連続観測データから有向非巡回グラフを学習する問題について検討する。 中規模の問題を学習するための混合整数プログラミングフレームワークを開発した。 提案手法は最先端のアルゴリズムより優れ,ノイズの不均一性に対して頑健である。
  論文  参考訳（メタデータ） (2024-04-19T02:42:13Z)
• Bayesian Spline Learning for Equation Discovery of Nonlinear Dynamics with Quantified Uncertainty [8.815974147041048]
  本研究では,非線形(時空間)力学の擬似的支配方程式を,定量化された不確実性を伴うスパースノイズデータから同定する枠組みを開発した。 提案アルゴリズムは、正準常微分方程式と偏微分方程式によって制御される複数の非線形力学系に対して評価される。
  論文  参考訳（メタデータ） (2022-10-14T20:37:36Z)
• Guaranteed Conservation of Momentum for Learning Particle-based Fluid Dynamics [96.9177297872723]
  本稿では,学習物理シミュレーションにおける線形運動量を保証する新しい手法を提案する。 我々は、強い制約で運動量の保存を強制し、反対称的な連続的な畳み込み層を通して実現する。 提案手法により,学習シミュレータの物理的精度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） (2022-10-12T09:12:59Z)
• 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)
• On Constraints in First-Order Optimization: A View from Non-Smooth Dynamical Systems [99.59934203759754]
  本稿では,スムーズな制約付き最適化のための一階法について紹介する。 提案手法の2つの特徴は、実現可能な集合全体の投影や最適化が避けられることである。 結果として得られるアルゴリズムの手順は、制約が非線形であっても簡単に実装できる。
  論文  参考訳（メタデータ） (2021-07-17T11:45:13Z)
• Identification and Avoidance of Static and Dynamic Obstacles on Point Cloud for UAVs Navigation [7.14505983271756]
  クラウド入力のみを点とする静的障害と動的障害を区別する手法を提案する。 計算効率の良い障害物回避運動計画手法を提案し, 改良された相対速度法と一致している。 このアプローチは、同じフレームワークの静的障害と動的障害の両方を避けることができる。
  論文  参考訳（メタデータ） (2021-05-14T02:44:18Z)
• 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)
• Deep Magnification-Flexible Upsampling over 3D Point Clouds [103.09504572409449]
  本稿では,高密度点雲を生成するためのエンドツーエンド学習ベースのフレームワークを提案する。 まずこの問題を明示的に定式化し、重みと高次近似誤差を判定する。 そこで我々は,高次改良とともに,統一重みとソート重みを適応的に学習する軽量ニューラルネットワークを設計する。
  論文  参考訳（メタデータ） (2020-11-25T14:00:18Z)
• Fast Gravitational Approach for Rigid Point Set Registration with Ordinary Differential Equations [79.71184760864507]
  本稿では,FGA(Fast Gravitational Approach)と呼ばれる厳密な点集合アライメントのための物理に基づく新しい手法を紹介する。 FGAでは、ソースとターゲットの点集合は、シミュレーションされた重力場内を移動しながら、世界規模で多重リンクされた方法で相互作用する質量を持つ剛体粒子群として解釈される。 従来のアライメント手法では,新しいメソッドクラスには特徴がないことを示す。
  論文  参考訳（メタデータ） (2020-09-28T15:05:39Z)
• Differentiable Causal Discovery from Interventional Data [141.41931444927184]
  本稿では、介入データを活用可能なニューラルネットワークに基づく理論的基盤化手法を提案する。 提案手法は,様々な環境下での美術品の状態と良好に比較できることを示す。
  論文  参考訳（メタデータ） (2020-07-03T15:19:17Z)
• Robust Reinforcement Learning with Wasserstein Constraint [49.86490922809473]
  最適なロバストなポリシーの存在を示し、摂動に対する感度分析を行い、新しいロバストな学習アルゴリズムを設計する。 提案アルゴリズムの有効性はCart-Pole環境で検証する。
  論文  参考訳（メタデータ） (2020-06-01T13:48:59Z)

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。