論文の概要: LDP: A Local Diffusion Planner for Efficient Robot Navigation and Collision Avoidance

• arxiv url: http://arxiv.org/abs/2407.01950v1
• Date: Tue, 2 Jul 2024 04:53:35 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-03 16:43:59.602806
• Title: LDP: A Local Diffusion Planner for Efficient Robot Navigation and Collision Avoidance
• Title（参考訳）: LDP:効率的なロボットナビゲーションと衝突回避のための局所拡散プランナ
• Authors: Wenhao Yu, Jie Peng, Huanyu Yang, Junrui Zhang, Yifan Duan, Jianmin Ji, Yanyong Zhang,
• Abstract要約: 条件拡散モデルは,ロボットポリシーを学習するための効率的なツールとして実証されてきた。 ダイナミックな障害物と迷路のような構造を特徴とする現実シナリオの複雑な性質は、ロボットの局所的なナビゲーション決定の複雑さを浮き彫りにする。
• 参考スコア（独自算出の注目度）: 16.81917489473445
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The conditional diffusion model has been demonstrated as an efficient tool for learning robot policies, owing to its advancement to accurately model the conditional distribution of policies. The intricate nature of real-world scenarios, characterized by dynamic obstacles and maze-like structures, underscores the complexity of robot local navigation decision-making as a conditional distribution problem. Nevertheless, leveraging the diffusion model for robot local navigation is not trivial and encounters several under-explored challenges: (1) Data Urgency. The complex conditional distribution in local navigation needs training data to include diverse policy in diverse real-world scenarios; (2) Myopic Observation. Due to the diversity of the perception scenarios, diffusion decisions based on the local perspective of robots may prove suboptimal for completing the entire task, as they often lack foresight. In certain scenarios requiring detours, the robot may become trapped. To address these issues, our approach begins with an exploration of a diverse data generation mechanism that encompasses multiple agents exhibiting distinct preferences through target selection informed by integrated global-local insights. Then, based on this diverse training data, a diffusion agent is obtained, capable of excellent collision avoidance in diverse scenarios. Subsequently, we augment our Local Diffusion Planner, also known as LDP by incorporating global observations in a lightweight manner. This enhancement broadens the observational scope of LDP, effectively mitigating the risk of becoming ensnared in local optima and promoting more robust navigational decisions.
• Abstract（参考訳）: 条件拡散モデルは, 条件分布を正確にモデル化する高度化により, ロボット政策を学習するための効率的なツールとして実証されてきた。 動的障害物と迷路のような構造を特徴とする現実シナリオの複雑な性質は、条件分布問題としてのロボットローカルナビゲーション決定の複雑さを浮き彫りにする。 それでも,ロボット局所航法における拡散モデルの利用は簡単ではなく,(1)データ緊急性(Data Urgency)という未調査課題に遭遇する。 局所航法における複雑な条件分布は、様々な現実のシナリオにおける多様なポリシーを含むための訓練データを必要とする。 知覚シナリオの多様性のため、ロボットの局所的な視点に基づく拡散決定は、目視を欠くことが多いため、タスク全体を完成させるのに最適ではないことが証明される。 遠回りを必要とする特定のシナリオでは、ロボットは閉じ込められるかもしれない。 これらの課題に対処するため,本手法では,グローバル・ローカル・インサイトから情報を得たターゲット選択を通じて,異なる嗜好を示す複数のエージェントを包含する多様なデータ生成機構の探索から着目する。 そして、この多様なトレーニングデータに基づいて、多様なシナリオにおける衝突回避に優れた拡散剤を得る。 その後,グローバルな観測を軽量に組み込むことで,ローカル拡散プランナー(LPPとも呼ばれる)を強化した。 この拡張により、LDPの観察範囲が拡大し、局所最適でスナー化されるリスクを効果的に軽減し、より堅牢な航法決定を促進する。

関連論文リスト

• Planning-Aware Diffusion Networks for Enhanced Motion Forecasting in Autonomous Driving [0.0]
  Planning-Integrated Forecasting Model (PIFM)は、脳における意思決定とマルチエージェント協調を管理する神経機構にインスパイアされた新しいフレームワークである。 PIFMはシナリオ内の全てのエージェントの将来の軌跡を予測することができる。 このアーキテクチャは、外部刺激やその他のエージェントの行動に基づいた予測を動的に調整する脳の手法と平行して、モデルの透明性を高める。
  論文  参考訳（メタデータ） (2024-10-25T15:44:51Z)
• Generalizability of Graph Neural Networks for Decentralized Unlabeled Motion Planning [72.86540018081531]
  ラベルなしの動作計画では、衝突回避を確保しながら、ロボットのセットを目標の場所に割り当てる。 この問題は、探査、監視、輸送などの応用において、マルチロボットシステムにとって不可欠なビルディングブロックを形成している。 この問題に対処するために、各ロボットは、その400ドルのアネレストロボットと$k$アネレストターゲットの位置のみを知っている分散環境で対処する。
  論文  参考訳（メタデータ） (2024-09-29T23:57:25Z)
• Joint Localization and Planning using Diffusion [0.0]
  拡散モデルは、操作や車道計画といったロボティクスの問題にうまく適用されてきた。 本稿では,自己中心型LIDARスキャン,任意の地図,所望の目標位置が与えられたグローバル参照フレームにおいて,衝突のない経路を生成する拡散モデルを提案する。
  論文  参考訳（メタデータ） (2024-09-26T16:07:20Z)
• Diffusion-Reinforcement Learning Hierarchical Motion Planning in Adversarial Multi-agent Games [6.532258098619471]
  部分的に観察可能なマルチエージェント追従ゲーム(PEG)における回避目標の動作計画タスクに焦点をあてる。 これらの追尾回避問題は、捜索・救助活動や監視ロボットなど、様々な応用に関係している。 環境データに応答するグローバルパスを計画するために,高レベル拡散モデルを統合する階層型アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-03-16T03:53:55Z)
• SAFE-SIM: Safety-Critical Closed-Loop Traffic Simulation with Diffusion-Controllable Adversaries [94.84458417662407]
  制御可能なクローズドループ安全クリティカルシミュレーションフレームワークであるSAFE-SIMを紹介する。 提案手法は,1)現実の環境を深く反映した現実的な長距離安全クリティカルシナリオの生成,2)より包括的でインタラクティブな評価のための制御可能な敵行動の提供,の2つの利点をもたらす。 複数のプランナにまたがるnuScenesとnuPlanデータセットを使用して、我々のフレームワークを実証的に検証し、リアリズムと制御性の両方の改善を実証した。
  論文  参考訳（メタデータ） (2023-12-31T04:14:43Z)
• NoMaD: Goal Masked Diffusion Policies for Navigation and Exploration [57.15811390835294]
  本稿では,目標指向ナビゲーションと目標非依存探索の両方を扱うために,単一の統合拡散政策をトレーニングする方法について述べる。 この統一された政策は、新しい環境における目標を視覚的に示す際に、全体的な性能が向上することを示す。 実世界の移動ロボットプラットフォーム上で実施した実験は,5つの代替手法と比較して,見えない環境における効果的なナビゲーションを示す。
  論文  参考訳（メタデータ） (2023-10-11T21:07:14Z)
• Diffusion Models for Multi-target Adversarial Tracking [0.49157446832511503]
  標的追跡は現実世界のシナリオ、特に薬物輸送の対話において重要な役割を担っている。 無人ドローンの普及に伴い、安全と安全のためには正確な自律目標推定がさらに重要である。 本稿では、敵位置の包括的予測を生成するアプローチであるCADENCE(Constrained Agent-based Diffusion for Enhanced Multi-Agent Tracking)を提案する。
  論文  参考訳（メタデータ） (2023-07-12T15:34:39Z)
• SABER: Data-Driven Motion Planner for Autonomously Navigating Heterogeneous Robots [112.2491765424719]
  我々は、データ駆動型アプローチを用いて、異種ロボットチームをグローバルな目標に向けてナビゲートする、エンドツーエンドのオンラインモーションプランニングフレームワークを提案する。 モデル予測制御(SMPC)を用いて,ロボット力学を満たす制御入力を計算し,障害物回避時の不確実性を考慮した。 リカレントニューラルネットワークは、SMPC有限時間地平線解における将来の状態の不確かさを素早く推定するために用いられる。 ディープQ学習エージェントがハイレベルパスプランナーとして機能し、SMPCにロボットを望ましいグローバルな目標に向けて移動させる目標位置を提供する。
  論文  参考訳（メタデータ） (2021-08-03T02:56:21Z)
• Learning Connectivity for Data Distribution in Robot Teams [96.39864514115136]
  グラフニューラルネットワーク(GNN)を用いたアドホックネットワークにおけるデータ分散のためのタスク非依存,分散化,低レイテンシ手法を提案する。 当社のアプローチは、グローバル状態情報に基づいたマルチエージェントアルゴリズムを各ロボットで利用可能にすることで機能させます。 我々は,情報の平均年齢を報酬関数として強化学習を通じて分散gnn通信政策を訓練し,タスク固有の報酬関数と比較してトレーニング安定性が向上することを示す。
  論文  参考訳（メタデータ） (2021-03-08T21:48:55Z)
• Generalizing Decision Making for Automated Driving with an Invariant Environment Representation using Deep Reinforcement Learning [55.41644538483948]
  現在のアプローチは、トレーニングデータを超えてよく一般化されないか、または可変数のトラフィック参加者を考慮することができない。 本研究では,エゴ車の観点から不変環境表現を提案する。 この抽象化により,エージェントが未確認シナリオに対してうまく一般化できることが示される。
  論文  参考訳（メタデータ） (2021-02-12T20:37:29Z)

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。