論文の概要: Dynamic Neural Potential Field: Online Trajectory Optimization in the Presence of Moving Obstacles

• arxiv url: http://arxiv.org/abs/2410.06819v2
• Date: Sat, 04 Oct 2025 10:47:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 16:52:58.33092
• Title: Dynamic Neural Potential Field: Online Trajectory Optimization in the Presence of Moving Obstacles
• Title（参考訳）: 動的ニューラルポテンシャル場:移動障害物の存在下でのオンライン軌道最適化
• Authors: Aleksei Staroverov, Muhammad Alhaddad, Aditya Narendra, Konstantin Mironov, Aleksandr Panov,
• Abstract要約: 本稿では,学習予測モデル制御(MPC)フレームワークとして動的ポテンシャル場(NPFieldGPT)を提案する。 NPField-GPTは運動変化下でより安全でより保守的な軌道を生成する。 またCIAO*やMPPIのベースラインと比較する。
• 参考スコア（独自算出の注目度）: 45.02872365395957
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generalist robot policies must operate safely and reliably in everyday human environments such as homes, offices, and warehouses, where people and objects move unpredictably. We present Dynamic Neural Potential Field (NPField-GPT), a learning-enhanced model predictive control (MPC) framework that couples classical optimization with a Transformer-based predictor of footprint-aware repulsive potentials. Given an occupancy sub-map, robot footprint, and optional dynamic-obstacle cues, our autoregressive NPField-GPT head forecasts a horizon of differentiable potentials that are injected into a sequential quadratic MPC program via L4CasADi, yielding real-time, constraint-aware trajectory optimization. We additionally study two baselines: (NPField-D1) static-frame decomposition and (NPField-D2) parallel MLP heads for all steps. In dynamic indoor scenarios from BenchMR and on a Husky UGV in office corridors, NPField-GPT produces safer, more conservative trajectories under motion changes, while D1/D2 offer lower latency. We also compare with the CIAO* and MPPI baselines. Across methods, the Transformer+MPC synergy preserves the transparency and stability of model-based planning while learning only the part that benefits from data: spatiotemporal collision risk. Code and trained models are available at https://github.com/CognitiveAISystems/Dynamic-Neural-Potential-Field
• Abstract（参考訳）: 一般論的なロボット政策は、人や物が予測不能に動く家、オフィス、倉庫などの日常生活環境において安全かつ確実に行動しなければならない。 本稿では,古典的最適化とフットプリント認識型反発電位のトランスフォーマーに基づく予測器を結合した学習強化モデル予測制御(MPC)フレームワークである動的ニューラルポテンシャル場(NPField-GPT)を提案する。 我々の自己回帰型NPField-GPTヘッドは、占有部分マップ、ロボットフットプリント、およびオプションの動的障害物キューを与えられた場合、L4CasADiを介して逐次二次的MPCプログラムに注入された微分可能なポテンシャルの水平線を予測し、リアルタイムな制約対応軌道最適化をもたらす。 さらに, 静的フレーム分解法 (NPField-D1) と並列MLPヘッド法 (NPField-D2) の2つの基本点について検討した。 ベンチMRの動的屋内シナリオやオフィス廊下のハスキーUGVでは、NPField-GPTはより安全でより保守的な軌道を、D1/D2はより低レイテンシで生成する。 またCIAO*やMPPIのベースラインと比較する。 Transformer+MPCのシナジーは、データから恩恵を受ける部分(時空間衝突リスク)のみを学習しながら、モデルベースの計画の透明性と安定性を保ちます。 コードとトレーニングされたモデルはhttps://github.com/CognitiveAISystems/Dynamic-Neural-Potential-Fieldで入手できる。

関連論文リスト

• Future-Oriented Navigation: Dynamic Obstacle Avoidance with One-Shot Energy-Based Multimodal Motion Prediction [10.379552390135226]
  本稿では,動的かつ不確実な環境下での移動ロボットの安全かつ効率的な制御のための統合的アプローチを提案する。 このアプローチは、動的障害物の運動を予測するためのワンショットマルチモーダル動作予測と、これらの予測を運動計画プロセスに組み込むモデル予測制御の2つの重要なステップから構成される。
  論文  参考訳（メタデータ） (2025-05-01T01:13:56Z)
• Monte Carlo Tree Search with Velocity Obstacles for safe and efficient motion planning in dynamic environments [49.30744329170107]
  本稿では,動的障害物に関する情報を最小限に抑えた最適オンライン動作計画手法を提案する。 提案手法は,モデルシミュレーションによるオンライン最適計画のためのモンテカルロ木探索 (MCTS) と障害物回避のためのVelocity Obstacles (VO) を組み合わせた。 我々は,非線形モデル予測制御(NMPC)を含む最先端のプランナーに対して,衝突速度,計算,タスク性能の向上の観点から,我々の方法論の優位性を示す。
  論文  参考訳（メタデータ） (2025-01-16T16:45:08Z)
• Domain Randomization for Robust, Affordable and Effective Closed-loop Control of Soft Robots [10.977130974626668]
  ソフトロボットは、コンタクトや適応性に対する本質的な安全性によって人気を集めている。 本稿では、ソフトロボットのRLポリシーを強化することにより、ドメインランダム化(DR)がこの問題を解決する方法を示す。 本稿では,変形可能なオブジェクトに対する動的パラメータの自動推論のための,従来の適応的領域ランダム化手法に対する新しいアルゴリズム拡張を提案する。
  論文  参考訳（メタデータ） (2023-03-07T18:50:00Z)
• Constrained Dynamic Movement Primitives for Safe Learning of Motor Skills [25.06692536893836]
  ロボット作業空間における制約満足度を実現するための制約付き動的運動プリミティブ(CDMP)を提案する。 異なる環境における異なるマニピュレータを用いた提案アルゴリズムの実装を示すビデオがここにある。
  論文  参考訳（メタデータ） (2022-09-28T22:59:33Z)
• Learning Robust Policy against Disturbance in Transition Dynamics via State-Conservative Policy Optimization [63.75188254377202]
  深層強化学習アルゴリズムは、ソースとターゲット環境の相違により、現実世界のタスクでは不十分な処理を行うことができる。 本研究では,前もって乱れをモデル化せずにロバストなポリシーを学習するための,モデルフリーなアクター批判アルゴリズムを提案する。 いくつかのロボット制御タスクの実験では、SCPOは遷移力学の乱れに対する堅牢なポリシーを学習している。
  論文  参考訳（メタデータ） (2021-12-20T13:13:05Z)
• Nonprehensile Riemannian Motion Predictive Control [57.295751294224765]
  本稿では,リアル・ツー・シムの報酬分析手法を導入し,リアルなロボット・プラットフォームに対する行動の可能性を確実に予測する。 連続的なアクション空間でオブジェクトを反応的にプッシュするクローズドループコントローラを作成します。 我々は,RMPCが乱雑な環境だけでなく,乱雑な環境においても頑健であり,ベースラインよりも優れていることを観察した。
  論文  参考訳（メタデータ） (2021-11-15T18:50:04Z)
• 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)
• MPC-MPNet: Model-Predictive Motion Planning Networks for Fast, Near-Optimal Planning under Kinodynamic Constraints [15.608546987158613]
  Kinodynamic Motion Planning (KMP) は、ロボットの動きを同時に運動学や力学の制約を受ける計算である。 ほぼ最適経路の解を求める,スケーラブルで模倣可能なモデル予測型運動計画ネットワークフレームワークを提案する。 提案アルゴリズムは, 時間, 経路特性, 既存手法に対する成功率の大幅な改善を示す結果から, 乱雑な, キノダイナミックに制約された, 不安定な計画上の問題に対して評価を行う。
  論文  参考訳（メタデータ） (2021-01-17T23:07:04Z)
• Neural Dynamic Policies for End-to-End Sensorimotor Learning [51.24542903398335]
  感覚運動制御における現在の主流パラダイムは、模倣であれ強化学習であれ、生の行動空間で政策を直接訓練することである。 軌道分布空間の予測を行うニューラル・ダイナミック・ポリシー(NDP)を提案する。 NDPは、いくつかのロボット制御タスクにおいて、効率と性能の両面で、これまでの最先端よりも優れている。
  論文  参考訳（メタデータ） (2020-12-04T18:59:32Z)
• 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)
• Path Planning in Dynamic Environments using Generative RNNs and Monte Carlo Tree Search [11.412720572948086]
  群衆や交通などの動的環境におけるロボット経路計画のための最先端の手法は、エージェントのための手作りのモーションモデルに依存している。 本稿では,モンテカルロ木探索(MCTS)における生成的リカレントニューラルネットワークを用いた統合経路計画フレームワークを提案する。 提案手法は,対話時の動作予測精度を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2020-01-30T22:46:37Z)

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。