論文の概要: Learning to Initialize Trajectory Optimization for Vision-Based Autonomous Flight in Unknown Environments

• arxiv url: http://arxiv.org/abs/2309.10683v2
• Date: Fri, 08 Aug 2025 12:33:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-11 20:39:05.829061
• Title: Learning to Initialize Trajectory Optimization for Vision-Based Autonomous Flight in Unknown Environments
• Title（参考訳）: 未知環境における視覚に基づく自律飛行のための軌道最適化の学習
• Authors: Yicheng Chen, Jinjie Li, Wenyuan Qin, Yongzhao Hua, Xiwang Dong, Qingdong Li,
• Abstract要約: 未知環境における自律飛行のためのニューラル・エンハンスト・トレイ・プランナー(NEO-Planner)を提案する。 NEO-Plannerは、生のセンサー観測から直接軌道の空間的および時間的パラメータを予測することを学ぶ。 最適化を20%削減し、純粋な最適化手法と比較して軌道時間も26%減少する。
• 参考スコア（独自算出の注目度）: 4.0543433786183485
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autonomous flight in unknown environments requires precise spatial and temporal trajectory planning, often involving computationally expensive nonconvex optimization prone to local optima. To overcome these challenges, we present the Neural-Enhanced Trajectory Planner (NEO-Planner), a novel approach that leverages a Neural Network (NN) Planner to provide informed initial values for trajectory optimization. The NN-Planner is trained on a dataset generated by an expert planner using batch sampling, capturing multimodal trajectory solutions. It learns to predict spatial and temporal parameters for trajectories directly from raw sensor observations. NEO-Planner starts optimization from these predictions, accelerating computation speed while maintaining explainability. Furthermore, we introduce a robust online replanning framework that accommodates planning latency for smooth trajectory tracking. Extensive simulations demonstrate that NEO-Planner reduces optimization iterations by 20%, leading to a 26% decrease in computation time compared with pure optimization-based methods. It maintains trajectory quality comparable to baseline approaches and generalizes well to unseen environments. Real-world experiments validate its effectiveness for autonomous drone navigation in cluttered, unknown environments.
• Abstract（参考訳）: 未知の環境での自律飛行には正確な空間的および時間的軌道計画が必要であり、しばしば計算コストのかかる非凸最適化が局所最適化に結びついている。 これらの課題を克服するために,ニューラル・エンハンスト・トラジェクティブ・プランナー (NEO-Planner) を提案する。 NN-Plannerは、バッチサンプリングを使用して専門家プランナーが生成したデータセットに基づいて、マルチモーダルなトラジェクトリソリューションをキャプチャする。 生のセンサ観測から直接、軌跡の空間的および時間的パラメータを予測することを学ぶ。 NEO-Plannerはこれらの予測から最適化を開始し、説明可能性を維持しながら計算速度を加速する。 さらに、スムーズな軌道追跡のための計画遅延に対応する頑健なオンラインリプランニングフレームワークを導入する。 大規模なシミュレーションにより、NEO-Plannerは最適化イテレーションを20%削減し、純粋な最適化手法と比較して計算時間が26%減少することを示した。 軌道品質はベースラインのアプローチに匹敵し、目に見えない環境によく当てはまる。 実世界の実験は、散らかった未知の環境における自律的なドローンナビゲーションの有効性を検証する。

関連論文リスト

• Improved particle swarm optimization algorithm: multi-target trajectory optimization for swarm drones [20.531764063763678]
  従来のParticle Swarm Optimization (PSO) 手法は、リアルタイムシナリオにおける早期収束と遅延に苦慮している。 PSOベースのオンライントラジェクトリプランナであるPE-PSOを提案する。 遺伝的アルゴリズム(GA)に基づくタスク割り当てと分散PE-PSOを組み合わせたマルチエージェントフレームワークを開発した。
  論文  参考訳（メタデータ） (2025-07-18T04:31:49Z)
• A Real-time Spatio-Temporal Trajectory Planner for Autonomous Vehicles with Semantic Graph Optimization [8.221371036055167]
  グラフ最適化に基づく意味的時間的軌道計画法を提案する。 複雑な都市道路のシナリオを効果的に処理し、リアルタイムで実行することができる。 研究コミュニティのベンチマークに対応するため、コードをリリースします。
  論文  参考訳（メタデータ） (2025-02-25T12:27:06Z)
• Real-Time Sampling-based Online Planning for Drone Interception [18.340019191662957]
  本稿では,ニューラルネットワークの推論を利用して,時間を要する非線形軌道最適化を代替するサンプリングベースのオンライン計画アルゴリズムを提案する。 提案手法は、無人機が衝突を回避し、不完全な目標予測を処理しながら、目標を迎撃しなければならないドローン迎撃問題に適用される。
  論文  参考訳（メタデータ） (2025-02-20T03:48:38Z)
• Predictive Planner for Autonomous Driving with Consistency Models [5.966385886363771]
  軌道予測と計画は、自動運転車が動的環境下で安全かつ効率的に走行するために不可欠である。 近年の拡散型生成モデルはマルチエージェント軌道生成において有望であるが,その遅いサンプリングは高周波計画タスクには適さない。 我々は,エゴ車両の航法目標に基づいて,エゴと周辺エージェントの共同分布からサンプルを採取する予測プランナを構築するために,一貫性モデルを活用する。
  論文  参考訳（メタデータ） (2025-02-12T00:26:01Z)
• Wireless Federated Learning over UAV-enabled Integrated Sensing and Communication [2.8203310972866382]
  本稿では,無人航空機(UAV)を利用した統合型統合学習(FL)における新しい遅延最適化問題について検討する。 ベンチマーク方式と比較して,システム遅延を最大68.54%削減し,高品質な近似解を求めるため,単純かつ効率的な反復アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2024-11-01T14:25:24Z)
• Towards Robust Spacecraft Trajectory Optimization via Transformers [17.073280827888226]
  将来の多機のミッションでは、安全かつ効率的なランデブー操作を確保するために、堅牢な自律的な最適化機能が必要である。 この負担を軽減するため、生成トランスフォーマーモデルを導入し、ロバストな最適初期推定を提供する。 この研究はARTの機能を拡張し、堅牢な制約付き最適制御問題に対処する。
  論文  参考訳（メタデータ） (2024-10-08T00:58:42Z)
• Energy-Efficient Federated Edge Learning with Streaming Data: A Lyapunov Optimization Approach [34.00679567444125]
  本研究では,長期エネルギー制約下でのデータ到着や資源の可利用性に固有のランダム性に対処する動的スケジューリングと資源割当アルゴリズムを開発した。 提案アルゴリズムは, デバイススケジューリング, 計算容量調整, 帯域幅の割り当ておよび各ラウンドの送信電力を適応的に決定する。 本手法の有効性をシミュレーションにより検証し,ベースライン方式と比較して学習性能とエネルギー効率が向上したことを示す。
  論文  参考訳（メタデータ） (2024-05-20T14:13:22Z)
• Continual Model-based Reinforcement Learning for Data Efficient Wireless Network Optimisation [73.04087903322237]
  制御ポリシの継続強化学習としてスループット最適化を定式化する。 シミュレーションの結果,提案システムでは,エンド・ツー・エンドのデプロイメントのリードタイムを2倍に短縮できることがわかった。
  論文  参考訳（メタデータ） (2024-04-30T11:23:31Z)
• Dynamic Scheduling for Federated Edge Learning with Streaming Data [56.91063444859008]
  我々は,長期的エネルギー制約のある分散エッジデバイスにおいて,トレーニングデータを時間とともにランダムに生成するフェデレーションエッジ学習(FEEL)システムを検討する。 限られた通信リソースとレイテンシ要件のため、各イテレーションでローカルトレーニングプロセスに参加するのはデバイスのサブセットのみである。
  論文  参考訳（メタデータ） (2023-05-02T07:41:16Z)
• DDPEN: Trajectory Optimisation With Sub Goal Generation Model [70.36888514074022]
  本稿では,エスケープネットワークを用いた微分動的プログラミング(DDPEN)を提案する。 本稿では,環境の入力マップとして,所望の位置とともにコストマップの形で利用する深層モデルを提案する。 このモデルは、目標に導く可能性のある将来の方向を生成し、リアルタイムに実行可能なローカルなミニマを避ける。
  論文  参考訳（メタデータ） (2023-01-18T11:02:06Z)
• On the Effective Usage of Priors in RSS-based Localization [56.68864078417909]
  本稿では、受信信号強度(RSS)指紋と畳み込みニューラルネットワークに基づくアルゴリズムLocUNetを提案する。 本稿では,密集市街地における局所化問題について検討する。 まず,LocUNetがRx位置やRxの事前分布を学習し,トレーニングデータから送信者(Tx)アソシエーションの好みを学習し,その性能を評価できることを示す。
  論文  参考訳（メタデータ） (2022-11-28T00:31:02Z)
• Deep Learning Aided Packet Routing in Aeronautical Ad-Hoc Networks Relying on Real Flight Data: From Single-Objective to Near-Pareto Multi-Objective Optimization [79.96177511319713]
  航空アドホックネットワーク(AANET)のルーティングを支援するために、ディープラーニング(DL)を起動する。 フォワードノードによって観測された局所的な地理的情報を最適な次のホップを決定するために必要な情報にマッピングするために、ディープニューラルネットワーク(DNN)が考案される。 DL支援ルーティングアルゴリズムを多目的シナリオに拡張し,遅延を最小化し,経路容量を最大化し,経路寿命を最大化する。
  論文  参考訳（メタデータ） (2021-10-28T14:18:22Z)
• Adaptive Selection of Informative Path Planning Strategies via Reinforcement Learning [6.015556590955814]
  ローカルプランニング」アプローチでは,次回のサンプリング場所の優先順位が予測性能や帰路距離に与える影響を調査するために,様々な空間範囲が採用されている。 温度モニタリングロボットの使用事例実験により、プランナーの動的混合物は高度な情報プランを生成できるだけでなく、予測信頼性を犠牲にすることなく、大幅に距離を縮めることができることが示された。
  論文  参考訳（メタデータ） (2021-08-14T21:32:33Z)
• Trajectory Planning for Autonomous Vehicles Using Hierarchical Reinforcement Learning [21.500697097095408]
  不確実かつ動的条件下で安全な軌道を計画することは、自律運転問題を著しく複雑にする。 RRT(Rapidly Exploring Random Trees)のような現在のサンプリングベース手法は、高い計算コストのため、この問題には理想的ではない。 軌道計画のための階層型強化学習構造とPID(Proportional-Integral-Derivative)コントローラを提案する。
  論文  参考訳（メタデータ） (2020-11-09T20:49:54Z)
• 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)

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。