論文の概要: Risk-aware Path Planning via Probabilistic Fusion of Traversability Prediction for Planetary Rovers on Heterogeneous Terrains

• arxiv url: http://arxiv.org/abs/2303.01169v1
• Date: Thu, 2 Mar 2023 11:19:44 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-03 14:58:22.377590
• Title: Risk-aware Path Planning via Probabilistic Fusion of Traversability Prediction for Planetary Rovers on Heterogeneous Terrains
• Title（参考訳）: 不均一地形上の惑星ローバーの可逆性予測の確率的融合によるリスク対応経路計画
• Authors: Masafumi Endo, Tatsunori Taniai, Ryo Yonetani, Genya Ishigami
• Abstract要約: 提案手法は, 誤ったトラバーサビリティ予測を明示的に考慮した新しい経路計画アルゴリズムを提案する。 提案手法は, 既存手法と比較して, 異質な地形上でより実現可能な経路を生成することができる。
• 参考スコア（独自算出の注目度）: 11.060425537315087
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine learning (ML) plays a crucial role in assessing traversability for autonomous rover operations on deformable terrains but suffers from inevitable prediction errors. Especially for heterogeneous terrains where the geological features vary from place to place, erroneous traversability prediction can become more apparent, increasing the risk of unrecoverable rover's wheel slip and immobilization. In this work, we propose a new path planning algorithm that explicitly accounts for such erroneous prediction. The key idea is the probabilistic fusion of distinctive ML models for terrain type classification and slip prediction into a single distribution. This gives us a multimodal slip distribution accounting for heterogeneous terrains and further allows statistical risk assessment to be applied to derive risk-aware traversing costs for path planning. Extensive simulation experiments have demonstrated that the proposed method is able to generate more feasible paths on heterogeneous terrains compared to existing methods.
• Abstract（参考訳）: 機械学習(ML)は、変形可能な地形における自律ローバー操作のトラバーサビリティを評価する上で重要な役割を果たすが、避けられない予測エラーに悩まされている。 特に地質学的特徴が異なる不均質な地形では、誤ったトラバーサビリティの予測がより顕著になり、回復不能なローバーの車輪の滑りや固定化のリスクが高まる。 本研究では,そのような誤予測を明示的に考慮した経路計画アルゴリズムを提案する。 鍵となる考え方は、地形型分類とすべり予測のための独特のMLモデルの確率論的融合である。 これにより、異質な地形を考慮したマルチモーダルスリップ分布を導出し、さらに経路計画におけるリスク対応トラバースコストの導出に統計的リスク評価を適用することができる。 大規模シミュレーション実験により,提案手法は既存手法に比べて不均質な地形上でより実現可能な経路を生成できることが実証された。

関連論文リスト

• Traj-Explainer: An Explainable and Robust Multi-modal Trajectory Prediction Approach [12.60529039445456]
  複雑な交通環境のナビゲーションはインテリジェントな技術の進歩によって大幅に向上し、自動車の正確な環境認識と軌道予測を可能にした。 既存の研究は、しばしばシナリオエージェントの合同推論を無視し、軌道予測モデルにおける解釈可能性に欠ける。 本研究では, 説明可能な拡散条件に基づく多モード軌道予測トラj-Explainerという, 説明可能性指向の軌道予測モデルが設計されている。
  論文  参考訳（メタデータ） (2024-10-22T08:17:33Z)
• EVORA: Deep Evidential Traversability Learning for Risk-Aware Off-Road Autonomy [34.19779754333234]
  本研究では,不確実性を考慮したトラクションモデルを学習し,リスクを考慮したトラジェクトリを計画するための統一的なフレームワークを提案する。 ネットワーク出力を用いてディリクレ分布をパラメータ化し、新しい不確実性を考慮した2乗地球モーバー距離損失を提案する。 我々のアプローチはシミュレーションや車輪付き四足歩行ロボットで広範囲に検証されている。
  論文  参考訳（メタデータ） (2023-11-10T18:49:53Z)
• Quantification of Predictive Uncertainty via Inference-Time Sampling [57.749601811982096]
  本稿では,データあいまいさの予測不確実性を推定するためのポストホックサンプリング手法を提案する。 この方法は与えられた入力に対して異なる可算出力を生成することができ、予測分布のパラメトリック形式を仮定しない。
  論文  参考訳（メタデータ） (2023-08-03T12:43:21Z)
• 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)
• Improving Diversity of Multiple Trajectory Prediction based on Map-adaptive Lane Loss [12.963269946571476]
  本研究では,地図適応の多様性を保証し,幾何学的制約を満たす新しい損失関数,textitLane Lossを提案する。 Argoverseデータセットを用いて行った実験により,提案手法は予測軌道の多様性を著しく向上させることが示された。
  論文  参考訳（メタデータ） (2022-06-17T09:09:51Z)
• Uncertainty estimation of pedestrian future trajectory using Bayesian approximation [137.00426219455116]
  動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。 著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。 将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
  論文  参考訳（メタデータ） (2022-05-04T04:23:38Z)
• End-to-End Trajectory Distribution Prediction Based on Occupancy Grid Maps [29.67295706224478]
  本稿では,実世界における移動エージェントの将来の軌跡分布を予測することを目的としている。 我々は、接地構造分布に対する明示的かつシーン順応的な近似として、占有格子マップを用いて対称的クロスエントロピーで分布を学習する。 実験では,Stanford Drone データセットとIntersection Drone データセットの最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-03-31T09:24:32Z)
• 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)
• CC-Cert: A Probabilistic Approach to Certify General Robustness of Neural Networks [58.29502185344086]
  安全クリティカルな機械学習アプリケーションでは、モデルを敵の攻撃から守ることが不可欠である。 意味的に意味のある入力変換に対して、ディープラーニングモデルの証明可能な保証を提供することが重要である。 我々はChernoff-Cramer境界に基づく新しい普遍確率的証明手法を提案する。
  論文  参考訳（メタデータ） (2021-09-22T12:46:04Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)
• Adaptive Meta-Learning for Identification of Rover-Terrain Dynamics [0.0]
  ローバーは安全と効率を最大化する軌道を計画するために地形の知識を必要とする。 高標高の地形分類は、ローバーが予想外の砂トラップで立ち往生するのを防ぐには不十分である。 オンラインのローバー・テランの相互作用データを利用して将来のダイナミクスを正確に予測し、ローバーのさらなる損傷を防ぐことができる。
  論文  参考訳（メタデータ） (2020-09-21T21:56:44Z)

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。