論文の概要: Dynamic Obstacle Avoidance through Uncertainty-Based Adaptive Planning with Diffusion

• arxiv url: http://arxiv.org/abs/2409.16950v1
• Date: Wed, 25 Sep 2024 14:03:58 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-27 03:25:18.549569
• Title: Dynamic Obstacle Avoidance through Uncertainty-Based Adaptive Planning with Diffusion
• Title（参考訳）: 拡散を考慮した不確実性に基づく適応計画による動的障害物回避
• Authors: Vineet Punyamoorty, Pascal Jutras-Dubé, Ruqi Zhang, Vaneet Aggarwal, Damon Conover, Aniket Bera,
• Abstract要約: 本稿では,行動予測の不確実性に基づいた適応的生成計画手法を提案する。 本手法は, 衝突回避性能を維持しつつ, 頻繁で計算コストが高く, 冗長な再計画の必要性を最小限に抑える。
• 参考スコア（独自算出の注目度）: 40.76697924496143
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: By framing reinforcement learning as a sequence modeling problem, recent work has enabled the use of generative models, such as diffusion models, for planning. While these models are effective in predicting long-horizon state trajectories in deterministic environments, they face challenges in dynamic settings with moving obstacles. Effective collision avoidance demands continuous monitoring and adaptive decision-making. While replanning at every timestep could ensure safety, it introduces substantial computational overhead due to the repetitive prediction of overlapping state sequences -- a process that is particularly costly with diffusion models, known for their intensive iterative sampling procedure. We propose an adaptive generative planning approach that dynamically adjusts replanning frequency based on the uncertainty of action predictions. Our method minimizes the need for frequent, computationally expensive, and redundant replanning while maintaining robust collision avoidance performance. In experiments, we obtain a 13.5% increase in the mean trajectory length and a 12.7% increase in mean reward over long-horizon planning, indicating a reduction in collision rates and an improved ability to navigate the environment safely.
• Abstract（参考訳）: 近年,強化学習をシーケンスモデリング問題とすることで,拡散モデルなどの生成モデルの利用を計画に活用している。 これらのモデルは、決定論的環境における長期状態軌跡の予測に有効であるが、動いた障害物を伴う動的設定の課題に直面している。 効果的な衝突回避には継続的監視と適応的な意思決定が必要である。 あらゆるタイミングで再計画することで安全性を確保できるが、重なり合う状態列の反復予測(特に拡散モデルでコストがかかるプロセス)により、計算上のオーバーヘッドが大幅に増大する。 本稿では,行動予測の不確実性に基づいた適応型生成計画手法を提案する。 本手法は, 衝突回避性能を維持しつつ, 頻繁で計算コストが高く, 冗長な再計画の必要性を最小限に抑える。 実験では, 平均軌道長が13.5%増加し, 長期計画に対する平均報酬が12.7%増加し, 衝突速度が低下し, 環境を安全に航行する能力が改善された。

関連論文リスト

• Improved deep learning of chaotic dynamical systems with multistep penalty losses [0.0]
  カオスシステムの長期的な振る舞いを予測することは、依然として恐ろしい課題である。 本稿では,最近提案された多段階ペナルティ演算子を活用することで,これらの課題に対処する新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2024-10-08T00:13:57Z)
• Adaptive Planning with Generative Models under Uncertainty [20.922248169620783]
  生成モデルによる計画は、幅広い領域にわたる効果的な意思決定パラダイムとして現れてきた。 最新の環境観測に基づいて決定を下すことができるため、各段階での継続的再計画は直感的に思えるかもしれないが、かなりの計算上の課題をもたらす。 本研究は,長軸状態軌跡を予測できる生成モデルの能力を活用する,シンプルな適応計画手法を導入することで,この問題に対処する。
  論文  参考訳（メタデータ） (2024-08-02T18:07:53Z)
• Learning Long-Horizon Predictions for Quadrotor Dynamics [48.08477275522024]
  四元数に対する長軸予測力学を効率的に学習するための鍵となる設計選択について検討する。 逐次モデリング手法は,他のタイプの手法と比較して,合成誤差を最小限に抑える上での優位性を示す。 本稿では,モジュール性の向上を図りながら,学習プロセスをさらに単純化する,疎結合な動的学習手法を提案する。
  論文  参考訳（メタデータ） (2024-07-17T19:06:47Z)
• ADM: Accelerated Diffusion Model via Estimated Priors for Robust Motion Prediction under Uncertainties [6.865435680843742]
  本稿では,騒音に対する抵抗性を高めたエージェントの将来の軌道を積極的に予測する,拡散型・加速可能な新しいフレームワークを提案する。 本手法は,自律走行車に必要な厳格なリアルタイム運転基準を満たす。 Argoverse 1のモーション予測データセット上でのマルチエージェント動作予測において,大幅な改善を実現している。
  論文  参考訳（メタデータ） (2024-05-01T18:16:55Z)
• Residual Chain Prediction for Autonomous Driving Path Planning [5.139918355140954]
  残留連鎖損失は損失計算過程を動的に調整し、予測経路点の時間依存性と精度を高める。 我々の研究は、自動運転車の計画コンポーネントに革命をもたらすために、Residual Chain Lossの可能性を浮き彫りにした。
  論文  参考訳（メタデータ） (2024-04-08T11:43:40Z)
• Tractable Joint Prediction and Planning over Discrete Behavior Modes for Urban Driving [15.671811785579118]
  自己回帰閉ループモデルのパラメータ化は,再学習を伴わずに可能であることを示す。 離散潜在モード上での完全反応性閉ループ計画を提案する。 当社のアプローチは、CARLAにおける従来の最先端技術よりも、高密度なトラフィックシナリオに挑戦する上で優れています。
  論文  参考訳（メタデータ） (2024-03-12T01:00:52Z)
• Layout Sequence Prediction From Noisy Mobile Modality [53.49649231056857]
  軌道予測は、自律運転やロボット工学などの応用における歩行者運動を理解する上で重要な役割を担っている。 現在の軌道予測モデルは、視覚的モダリティからの長い、完全な、正確に観察されたシーケンスに依存する。 本稿では,物体の障害物や視界外を,完全に視認できる軌跡を持つものと同等に扱う新しいアプローチであるLTrajDiffを提案する。
  論文  参考訳（メタデータ） (2023-10-09T20:32:49Z)
• SafeDiffuser: Safe Planning with Diffusion Probabilistic Models [97.80042457099718]
  拡散モデルに基づくアプローチは、データ駆動計画において有望であるが、安全保証はない。 我々は,拡散確率モデルが仕様を満たすことを保証するために,SafeDiffuserと呼ばれる新しい手法を提案する。 提案手法は,迷路経路の生成,足歩行ロボットの移動,空間操作など,安全な計画作業の一連のテストを行う。
  論文  参考訳（メタデータ） (2023-05-31T19:38:12Z)
• Conditional Denoising Diffusion for Sequential Recommendation [62.127862728308045]
  GAN(Generative Adversarial Networks)とVAE(VAE)の2つの顕著な生成モデル GANは不安定な最適化に苦しむ一方、VAEは後続の崩壊と過度に平らな世代である。 本稿では,シーケンスエンコーダ,クロスアテンティブデノナイジングデコーダ,ステップワイズディフューザを含む条件付きデノナイジング拡散モデルを提案する。
  論文  参考訳（メタデータ） (2023-04-22T15:32:59Z)
• Generative Time Series Forecasting with Diffusion, Denoise, and Disentanglement [51.55157852647306]
  時系列予測は多くのアプリケーションにおいて非常に重要な課題である。 実世界の時系列データが短時間に記録されることが一般的であり、これはディープモデルと限られたノイズのある時系列との間に大きなギャップをもたらす。 本稿では,生成モデルを用いた時系列予測問題に対処し,拡散,雑音,ゆがみを備えた双方向変分自動エンコーダを提案する。
  論文  参考訳（メタデータ） (2023-01-08T12:20:46Z)

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。