論文の概要: Safe and Efficient Path Planning under Uncertainty via Deep Collision Probability Fields
- arxiv url: http://arxiv.org/abs/2409.04306v1
- Date: Fri, 6 Sep 2024 14:28:41 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-09 15:34:51.359887
- Title: Safe and Efficient Path Planning under Uncertainty via Deep Collision Probability Fields
- Title(参考訳): 深部衝突確率場による不確実性を考慮した安全かつ効率的な経路計画
- Authors: Felix Herrmann, Sebastian Zach, Jacopo Banfi, Jan Peters, Georgia Chalvatzaki, Davide Tateo,
- Abstract要約: 衝突確率の推定は、経路計画中の安全を確保するために重要である。
Deep Collision Probability Fieldsは、任意のオブジェクトの衝突確率を計算するニューラルネットワークベースのアプローチである。
本手法は, 学習段階のサンプリングにより, 衝突確率の計算集約的な推定を導出する。
- 参考スコア(独自算出の注目度): 21.741354016294476
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Estimating collision probabilities between robots and environmental obstacles or other moving agents is crucial to ensure safety during path planning. This is an important building block of modern planning algorithms in many application scenarios such as autonomous driving, where noisy sensors perceive obstacles. While many approaches exist, they either provide too conservative estimates of the collision probabilities or are computationally intensive due to their sampling-based nature. To deal with these issues, we introduce Deep Collision Probability Fields, a neural-based approach for computing collision probabilities of arbitrary objects with arbitrary unimodal uncertainty distributions. Our approach relegates the computationally intensive estimation of collision probabilities via sampling at the training step, allowing for fast neural network inference of the constraints during planning. In extensive experiments, we show that Deep Collision Probability Fields can produce reasonably accurate collision probabilities (up to 10^{-3}) for planning and that our approach can be easily plugged into standard path planning approaches to plan safe paths on 2-D maps containing uncertain static and dynamic obstacles. Additional material, code, and videos are available at https://sites.google.com/view/ral-dcpf.
- Abstract(参考訳): ロボットと環境障害などの移動エージェントとの衝突確率の推定は,経路計画中の安全確保に不可欠である。
これは、ノイズの多いセンサが障害を知覚する自律運転など、多くのアプリケーションシナリオにおいて、現代的な計画アルゴリズムの重要な構成要素である。
多くのアプローチが存在するが、それらは衝突確率の保守的推定をしすぎるか、サンプリングに基づく性質のため計算集約的である。
これらの問題に対処するために、任意の不確実性分布を持つ任意の物体の衝突確率をニューラルネットワークで計算するDeep Collision Probability Fieldsを導入する。
提案手法は, 学習段階のサンプリングにより, 衝突確率の計算集約的推定を導出し, 計画中の制約をニューラルネットワークで高速に推測することを可能にする。
広範にわたる実験において,Deep Collision Probability Fields は,計画のための合理的な衝突確率(最大10^{-3})を生成可能であること,また,我々のアプローチは,不確実な静的および動的障害物を含む2次元地図上で安全な経路を計画するための標準的な経路計画手法に容易に接続可能であること,などが示されている。
追加の資料、コード、ビデオはhttps://sites.google.com/view/ral-dcpf.comで入手できる。
関連論文リスト
- Probabilistic Reach-Avoid for Bayesian Neural Networks [71.67052234622781]
最適合成アルゴリズムは、証明された状態の数を4倍以上に増やすことができることを示す。
このアルゴリズムは、平均的な到達回避確率を3倍以上に向上させることができる。
論文 参考訳(メタデータ) (2023-10-03T10:52:21Z) - Safe motion planning with environment uncertainty [1.4824891788575418]
本稿では,ロボットの状態と環境の不確実性を考慮した安全な運動計画手法を提案する。
我々はまず,ロボットのローカライゼーションにおける画期的な不確実性を考慮したアプローチを開発する。
次に、衝突確率の正確な式を計算することにより、最先端の手法を拡張する。
論文 参考訳(メタデータ) (2023-05-10T09:29:41Z) - Exact and Bounded Collision Probability for Motion Planning under
Gaussian Uncertainty [1.3535770763481902]
本稿では,ガウス分布運動下での衝突確率の計算手法を提案する。
衝突条件は楕円体間の距離として定式化される。
オンラインプランニングにおいて、より高速に計算できる、厳密な上限を提供します。
論文 参考訳(メタデータ) (2021-10-12T20:45:18Z) - Congestion-aware Multi-agent Trajectory Prediction for Collision
Avoidance [110.63037190641414]
渋滞パターンを明示的に学習し、新しい「センス--学習--Reason--予測」フレームワークを考案する。
学習段階を2段階に分解することで、「学生」は「教師」から文脈的手がかりを学習し、衝突のない軌跡を生成する。
実験では,提案モデルが合成データセットにおいて衝突のない軌道予測を生成できることを実証する。
論文 参考訳(メタデータ) (2021-03-26T02:42:33Z) - Generating and Characterizing Scenarios for Safety Testing of Autonomous
Vehicles [86.9067793493874]
最先端運転シミュレータを用いて,テストシナリオを特徴付け,生成するための効率的なメカニズムを提案する。
次世代シミュレーション(NGSIM)プロジェクトにおける実運転データの特徴付けに本手法を用いる。
事故回避の複雑さに基づいてメトリクスを定義してシナリオをランク付けし、事故発生の可能性を最小限に抑えるための洞察を提供します。
論文 参考訳(メタデータ) (2021-03-12T17:00:23Z) - An Integrated Localisation, Motion Planning and Obstacle Avoidance
Algorithm in Belief Space [1.3535770763481902]
ノイズセンサとアクティベーションエラーは、環境の特徴を推定しながら導入されたエラーと重なり合う。
本稿では,ロボットの状態推定にこれらの不確実性を取り入れた新しい手法を提案する。
推定ロボット構成に関する衝突確率を計算する。
論文 参考訳(メタデータ) (2021-01-27T17:47:45Z) - Predictive Collision Management for Time and Risk Dependent Path
Planning [1.516865739526702]
我々は,PCMP(Predictive Collision Management Path Planning)と呼ばれる手法を提案する。
PCMPは、移動予測、移動予測の時間依存グラフへの統合、時間とリスクに依存した経路計画という3つの部分からなる時間次元に着目したグラフベースのアルゴリズムである。
その結果, 衝突シナリオの47.3%を回避できると同時に, 1.3%の遠回りを行ない, リスクに敏感なエージェントが回避できることが示唆された。
論文 参考訳(メタデータ) (2020-11-26T14:15:54Z) - Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for
Online Collision Avoidance [95.86944752753564]
本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。
我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。
本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
論文 参考訳(メタデータ) (2020-07-28T07:34:30Z) - 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) - Learning Control Barrier Functions from Expert Demonstrations [69.23675822701357]
制御障壁関数(CBF)に基づく安全な制御器合成のための学習に基づくアプローチを提案する。
最適化に基づくCBFの学習手法を解析し、基礎となる力学系のリプシッツ仮定の下で証明可能な安全保証を享受する。
私たちの知る限りでは、これらはデータから確実に安全な制御障壁関数を学習する最初の結果です。
論文 参考訳(メタデータ) (2020-04-07T12:29:06Z)
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。