論文の概要: STAGE: Scalable and Traversability-Aware Graph based Exploration Planner
for Dynamically Varying Environments
- arxiv url: http://arxiv.org/abs/2402.02566v1
- Date: Sun, 4 Feb 2024 17:05:27 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-08 18:46:58.435329
- Title: STAGE: Scalable and Traversability-Aware Graph based Exploration Planner
for Dynamically Varying Environments
- Title（参考訳）: ステージ:動的に変化する環境のためのスケーラブルでトラバーサビリティ・アウェアなグラフベースの探索プランナー
- Authors: Akash Patel, Mario A V Saucedo, Christoforos Kanellakis and George
Nikolakopoulos
- Abstract要約: このフレームワークは,それぞれ局所グラフ層とグローバルグラフ層から構成される,新たな目標指向グラフ表現を中心に構成されている。
グローバルグラフは、シーケンシャルなサブグラフの重なり合う領域にのみノードエッジ情報交換を用いて、効率的な方法で構築される。
提案手法はシーン変更を処理し,グローバルグラフの障害部分をトラバーサブルからトラバーサブルに適応的に更新する。
- 参考スコア（独自算出の注目度）: 6.267574471145217
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: In this article, we propose a novel navigation framework that leverages a two
layered graph representation of the environment for efficient large-scale
exploration, while it integrates a novel uncertainty awareness scheme to handle
dynamic scene changes in previously explored areas. The framework is structured
around a novel goal oriented graph representation, that consists of, i) the
local sub-graph and ii) the global graph layer respectively. The local
sub-graphs encode local volumetric gain locations as frontiers, based on the
direct pointcloud visibility, allowing fast graph building and path planning.
Additionally, the global graph is build in an efficient way, using node-edge
information exchange only on overlapping regions of sequential sub-graphs.
Different from the state-of-the-art graph based exploration methods, the
proposed approach efficiently re-uses sub-graphs built in previous iterations
to construct the global navigation layer. Another merit of the proposed scheme
is the ability to handle scene changes (e.g. blocked pathways), adaptively
updating the obstructed part of the global graph from traversable to
not-traversable. This operation involved oriented sample space of a path
segment in the global graph layer, while removing the respective edges from
connected nodes of the global graph in cases of obstructions. As such, the
exploration behavior is directing the robot to follow another route in the
global re-positioning phase through path-way updates in the global graph.
Finally, we showcase the performance of the method both in simulation runs as
well as deployed in real-world scene involving a legged robot carrying camera
and lidar sensor.
- Abstract（参考訳）: 本稿では,環境の2層グラフ表現を効果的に活用して大規模探索を行う新しいナビゲーションフレームワークを提案する。
このフレームワークは、ゴール指向の新たなグラフ表現を中心に構成されている。
i) ローカルなサブグラフと
二 それぞれグローバルグラフ層
ローカルサブグラフは、直接点雲の可視性に基づいて、フロンティアとしてローカルボリュームゲインロケーションを符号化し、高速なグラフ構築とパス計画を可能にする。
さらに、グローバルグラフは、シーケンシャルなサブグラフの重なり合う領域にのみノードエッジ情報交換を使用することで、効率的な方法で構築される。
現状のグラフベース探索法と異なり,提案手法では,前回のイテレーションで構築したサブグラフを効率的に再利用し,グローバルナビゲーション層を構築する。
提案方式のもう1つの利点は、シーン変更(例えば、ブロックされた経路)を処理でき、グローバルグラフの障害部分をトラバース可能からトラバース不可能に適応的に更新できることである。
この操作は、グローバルグラフ層内のパスセグメントの向き付けられたサンプル空間を含み、障害が発生した場合、グローバルグラフの連結ノードから各エッジを除去する。
このように、探索行動は、グローバルグラフの経路更新を通じて、グローバル再配置フェーズにおける別の経路に従うようロボットに指示する。
最後に,カメラとライダーセンサーを装着した脚付きロボットを実環境に配置し,シミュレーション動作および実環境に配置した手法の性能を示す。
関連論文リスト
- Range-aware Positional Encoding via High-order Pretraining: Theory and Practice [14.521929085104441]
大量のグラフデータに対する教師なし事前トレーニングは、ラベル付きデータが制限された実世界のアプリケーションでは不可欠である。
本稿では,多解像度構造情報をモデル化することに焦点を当てたグラフの事前学習戦略を提案する。
このアプローチはグラフ構造にのみ依存するが、ドメインに依存しず、さまざまなドメインのデータセットに適応可能である。
論文 参考訳（メタデータ） (2024-09-27T19:53:10Z) - WildGraph: Realistic Graph-based Trajectory Generation for Wildlife [3.4688186440441893]
軌道生成は運動研究において重要な課題である。
ターゲットの人口から実際の軌跡を収集するプライバシー、倫理、技術的課題を回避している。
本稿では,野生生物の移動に類似した長距離軌道生成の問題点を,少数の実検体に基づいて考察する。
論文 参考訳（メタデータ） (2024-04-11T18:13:21Z) - Mapping High-level Semantic Regions in Indoor Environments without
Object Recognition [50.624970503498226]
本研究では,屋内環境における埋め込みナビゲーションによる意味領域マッピング手法を提案する。
地域識別を実現するために,視覚言語モデルを用いて地図作成のためのシーン情報を提供する。
グローバルなフレームにエゴセントリックなシーン理解を投影することにより、提案手法は各場所の可能な領域ラベル上の分布としてのセマンティックマップを生成する。
論文 参考訳（メタデータ） (2024-03-11T18:09:50Z) - Graph Transformer GANs with Graph Masked Modeling for Architectural
Layout Generation [153.92387500677023]
本稿では,グラフノード関係を効果的に学習するために,GTGAN(Graph Transformer Generative Adversarial Network)を提案する。
提案したグラフ変換器エンコーダは、局所的およびグローバルな相互作用をモデル化するために、Transformer内のグラフ畳み込みと自己アテンションを組み合わせる。
また,グラフ表現学習のための自己指導型事前学習手法を提案する。
論文 参考訳（メタデータ） (2024-01-15T14:36:38Z) - GraNet: A Multi-Level Graph Network for 6-DoF Grasp Pose Generation in
Cluttered Scenes [0.5755004576310334]
GraNetはグラフベースのグリップポーズ生成フレームワークで、ポイントクラウドシーンをマルチレベルグラフに変換する。
このパイプラインは, 散在するシーンにおけるグリップの空間分布を特徴付けることができ, 効果的グリップの速度が向上する。
提案手法は,大規模GraspNet-1Billionベンチマークにおいて,特に未確認オブジェクトの把握において,最先端の性能を実現する。
論文 参考訳（メタデータ） (2023-12-06T08:36:29Z) - Graph Transformer GANs for Graph-Constrained House Generation [223.739067413952]
本稿では,グラフノード関係を効果的に学習するために,GTGAN(Graph Transformer Generative Adversarial Network)を提案する。
GTGANは、グラフ制約のある住宅生成タスクにおいて、エンドツーエンドで効率的なグラフノード関係を学習する。
論文 参考訳（メタデータ） (2023-03-14T20:35:45Z) - Think Global, Act Local: Dual-scale Graph Transformer for
Vision-and-Language Navigation [87.03299519917019]
本稿では,2次元グラフ変換器 (DUET) を提案する。
我々は,グローバルな行動空間における効率的な探索を可能にするために,トポロジカルマップをオンザフライで構築する。
提案手法であるDUETは、目標指向の視覚・言語ナビゲーションベンチマークにおいて最先端の手法を著しく上回っている。
論文 参考訳（メタデータ） (2022-02-23T19:06:53Z) - Self-supervised Graph-level Representation Learning with Local and
Global Structure [71.45196938842608]
自己教師付き全グラフ表現学習のためのローカル・インスタンスとグローバル・セマンティック・ラーニング(GraphLoG)という統合フレームワークを提案する。
GraphLoGは、局所的な類似点の保存に加えて、グローバルなセマンティッククラスタをキャプチャする階層的なプロトタイプも導入している。
モデル学習のための効率的なオンライン予測最大化(EM)アルゴリズムがさらに開発された。
論文 参考訳（メタデータ） (2021-06-08T05:25:38Z) - Gaussian Process Gradient Maps for Loop-Closure Detection in
Unstructured Planetary Environments [17.276441789710574]
以前にマップされた位置を認識する能力は、自律システムにとって不可欠な機能である。
非構造的な惑星のような環境は、地形の類似性のためにこれらのシステムに大きな課題をもたらす。
本稿では,空間情報のみを用いたループ閉鎖問題の解法を提案する。
論文 参考訳（メタデータ） (2020-09-01T04:41:40Z) - Structural Temporal Graph Neural Networks for Anomaly Detection in
Dynamic Graphs [54.13919050090926]
本稿では,動的グラフの異常エッジを検出するために,エンドツーエンドの時間構造グラフニューラルネットワークモデルを提案する。
特に,まずターゲットエッジを中心にした$h$ホップ囲むサブグラフを抽出し,各ノードの役割を識別するノードラベル機能を提案する。
抽出した特徴に基づき,GRU(Gated Recurrent Unit)を用いて,異常検出のための時間的情報を取得する。
論文 参考訳（メタデータ） (2020-05-15T09:17:08Z)
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。