論文の概要: HALO: Hazard-Aware Landing Optimization for Autonomous Systems
- arxiv url: http://arxiv.org/abs/2304.01583v1
- Date: Tue, 4 Apr 2023 07:20:06 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-05 14:44:04.365458
- Title: HALO: Hazard-Aware Landing Optimization for Autonomous Systems
- Title（参考訳）: HALO: 自律システムのハザード・アウェア・ランディング最適化
- Authors: Christopher R. Hayner, Samuel C. Buckner, Daniel Broyles, Evelyn
Madewell, Karen Leung and Behcet Acikmese
- Abstract要約: 本稿では,ハザード検出,最適着陸軌道生成,緊急計画課題に対処する認識計画手法を提案する。
本研究では,HALSS(Hazard-Aware Landing Site Selection)とAdaptive Deferred-Decision Trajectory Optimization(Adaptive Deferred-Decision Trajectory Optimization,-DDTO)という2つの新しいアルゴリズムを開発し,統合し,認識と計画の課題に対処する。
シミュレーションした火星環境を用いたアプローチの有効性を実証し, 組み合わせた認識計画法が着地成功率を高めることを示す。
- 参考スコア（独自算出の注目度）: 1.5414037351414311
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With autonomous aerial vehicles enacting safety-critical missions, such as
the Mars Science Laboratory Curiosity rover's landing on Mars, the tasks of
automatically identifying and reasoning about potentially hazardous landing
sites is paramount. This paper presents a coupled perception-planning solution
which addresses the hazard detection, optimal landing trajectory generation,
and contingency planning challenges encountered when landing in uncertain
environments. Specifically, we develop and combine two novel algorithms,
Hazard-Aware Landing Site Selection (HALSS) and Adaptive Deferred-Decision
Trajectory Optimization (Adaptive-DDTO), to address the perception and planning
challenges, respectively. The HALSS framework processes point cloud information
to identify feasible safe landing zones, while Adaptive-DDTO is a multi-target
contingency planner that adaptively replans as new perception information is
received. We demonstrate the efficacy of our approach using a simulated Martian
environment and show that our coupled perception-planning method achieves
greater landing success whilst being more fuel efficient compared to a
nonadaptive DDTO approach.
- Abstract（参考訳）: 火星科学研究所のキュリオシティ探査機が火星に着陸するなど、安全上重要なミッションを遂行する自律型航空車両では、潜在的に危険な着陸地点を自動で特定し、推論する任務が最重要である。
本稿では,不確実な環境に着地した場合に発生するハザード検出,最適着陸軌道生成,緊急計画問題に対処する認識計画手法を提案する。
具体的には,Hazard-Aware Landing Site Selection (HALSS) とAdaptive Deferred-Decision Trajectory Optimization (Adaptive-DDTO) の2つの新しいアルゴリズムを開発し,それぞれに認識課題と計画課題に対処する。
halssフレームワークはクラウド情報を処理して、実行可能な安全な着陸ゾーンを識別し、adaptive-ddtoは、新しい知覚情報を受け取ると適応的に再計画するマルチターゲット・コンティンジェンシー・プランナーである。
シミュレーションした火星環境を用いて,本手法の有効性を実証し,非適応DDTO手法に比べて燃料効率が良く着地を成功させることを示す。
関連論文リスト
- Enhanced Safety in Autonomous Driving: Integrating Latent State Diffusion Model for End-to-End Navigation [5.928213664340974]
本研究は自動運転の制御最適化問題における安全性問題に対処する。
本稿では,条件付きバリュー・アット・リスクに基づくソフトアクター批判を利用して,ポリシー最適化のための新しいモデルベースアプローチを提案する。
本手法では, 安全探索を誘導する最悪のアクターを導入し, 予測不可能なシナリオにおいても, 安全要件の厳密な遵守を確保する。
論文 参考訳（メタデータ） (2024-07-08T18:32:40Z) - Visual Environment Assessment for Safe Autonomous Quadrotor Landing [8.538463567092297]
本研究では,安全な四段着陸のための着陸地点の検出と評価を行う新しい手法を提案する。
本ソリューションは,GPSなどの外部支援を不要にしながら,2次元および3次元環境情報を効率的に統合する。
提案手法は,計算能力に制限のあるクオータ上でリアルタイムに実行される。
論文 参考訳（メタデータ） (2023-11-16T18:02:10Z) - Spacecraft Autonomous Decision-Planning for Collision Avoidance: a
Reinforcement Learning Approach [0.0]
本研究は、強化学習技術に基づく宇宙船における自律的なCA意思決定機能の実装を提案する。
提案フレームワークは,軌道上の破片の状態を不完全な監視し,正確な衝突回避策(CAM)を実行するためのポリシーをAIシステムが効果的に学習できるようにする。
目的は、CAMを自律的に実施するための意思決定プロセスを、人間の介入なしに宇宙船に委譲することである。
論文 参考訳（メタデータ） (2023-10-29T10:15:33Z) - Meta-Learning Priors for Safe Bayesian Optimization [72.8349503901712]
メタ学習アルゴリズムであるF-PACOHを構築し,データ不足の設定において確実な定量化を実現する。
コアコントリビューションとして、安全に適合した事前をデータ駆動で選択するための新しいフレームワークを開発する。
ベンチマーク関数と高精度動作系において,我々のメタ学習先行が安全なBOアプローチの収束を加速することを示す。
論文 参考訳（メタデータ） (2022-10-03T08:38:38Z) - Benchmarking Safe Deep Reinforcement Learning in Aquatic Navigation [78.17108227614928]
本研究では,水文ナビゲーションに着目した安全強化学習のためのベンチマーク環境を提案する。
価値に基づく政策段階の深層強化学習(DRL)について考察する。
また,学習したモデルの振る舞いを所望の特性の集合上で検証する検証戦略を提案する。
論文 参考訳（メタデータ） (2021-12-16T16:53:56Z) - Generating Useful Accident-Prone Driving Scenarios via a Learned Traffic
Prior [135.78858513845233]
STRIVEは、特定のプランナーが衝突のような望ましくない振る舞いを発生させるような、困難なシナリオを自動的に生成する手法である。
シナリオの妥当性を維持するために、キーとなるアイデアは、グラフベースの条件付きVAEという形で、学習した交通運動モデルを活用することである。
その後の最適化は、シナリオの"解決"を見つけるために使用され、与えられたプランナーを改善するのに有効である。
論文 参考訳（メタデータ） (2021-12-09T18:03:27Z) - Deep Reinforcement Learning for Safe Landing Site Selection with
Concurrent Consideration of Divert Maneuvers [0.0]
本研究は、安全な着陸場所を特定し、機内転位操作を計画するための新しい統合フレームワークを提案する。
提案されたフレームワークは、高度に挑戦する着陸地点で94.8ドルの着陸に成功した。
論文 参考訳（メタデータ） (2021-02-24T17:53:10Z) - Reinforcement Learning for Low-Thrust Trajectory Design of
Interplanetary Missions [77.34726150561087]
本稿では, 惑星間軌道のロバスト設計における強化学習の適用について検討する。
最先端アルゴリズムのオープンソース実装が採用されている。
その結果得られた誘導制御ネットワークは、堅牢な名目的軌道と関連する閉ループ誘導法の両方を提供する。
論文 参考訳（メタデータ） (2020-08-19T15:22:15Z) - 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) - Online Mapping and Motion Planning under Uncertainty for Safe Navigation
in Unknown Environments [3.2296078260106174]
本論文は,確率論的安全保証者によるオンラインで実現可能な動作のマッピングと計画のための不確実性に基づくフレームワークを提案する。
提案手法は, 環境の不確実性を意識した環境表現を構築するために周囲をマッピングし, (i) 信念空間の多層サンプリングベースプランナーを通して, キノダイナミックに実現可能で確率論的に安全な目標に反復的に(re)計画を行うことにより, 動き, 確率論的安全性, オンライン計算制約を取り扱う。
論文 参考訳（メタデータ） (2020-04-26T08:53:37Z) - Data Freshness and Energy-Efficient UAV Navigation Optimization: A Deep
Reinforcement Learning Approach [88.45509934702913]
我々は、移動基地局(BS)が配備される複数の無人航空機(UAV)のナビゲーションポリシーを設計する。
我々は、地上BSにおけるデータの鮮度を確保するために、エネルギーや情報年齢(AoI)の制約などの異なる文脈情報を組み込んだ。
提案したトレーニングモデルを適用することで、UAV-BSに対する効果的なリアルタイム軌道ポリシーは、時間とともに観測可能なネットワーク状態をキャプチャする。
論文 参考訳（メタデータ） (2020-02-21T07:29:15Z)
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。