論文の概要: End-to-End Crop Row Navigation via LiDAR-Based Deep Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2509.18608v1
• Date: Tue, 23 Sep 2025 03:56:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-24 20:41:27.689805
• Title: End-to-End Crop Row Navigation via LiDAR-Based Deep Reinforcement Learning
• Title（参考訳）: LiDARを用いた深部強化学習による作物のエンド・ツー・エンドナビゲーション
• Authors: Ana Luiza Mineiro, Francisco Affonso, Marcelo Becker,
• Abstract要約: シミュレーションで完全に訓練された深層強化学習ポリシーを用いて,生の3次元LiDARデータを直接制御コマンドにマッピングするエンド・ツー・エンドの学習ナビゲーションシステムを提案する。 本手法は,ラベル付きデータセットや手動設計による制御インタフェースを使わずに,効率的なポリシー学習を実現するために,LDAR入力サイズを95.83%削減するボクセルベースのダウンサンプリング戦略を含む。
• 参考スコア（独自算出の注目度）: 0.4588028371034407
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reliable navigation in under-canopy agricultural environments remains a challenge due to GNSS unreliability, cluttered rows, and variable lighting. To address these limitations, we present an end-to-end learning-based navigation system that maps raw 3D LiDAR data directly to control commands using a deep reinforcement learning policy trained entirely in simulation. Our method includes a voxel-based downsampling strategy that reduces LiDAR input size by 95.83%, enabling efficient policy learning without relying on labeled datasets or manually designed control interfaces. The policy was validated in simulation, achieving a 100% success rate in straight-row plantations and showing a gradual decline in performance as row curvature increased, tested across varying sinusoidal frequencies and amplitudes.
• Abstract（参考訳）: アンダーキャノピーの農業環境における信頼性の高いナビゲーションは、GNSSの信頼性の欠如、バラバラな行、および可変照明のために依然として困難である。 これらの制約に対処するため,本システムでは,生の3次元LiDARデータを,シミュレーションで完全に訓練された深層強化学習ポリシーを用いて直接制御コマンドにマッピングするエンド・ツー・エンドの学習ベースのナビゲーションシステムを提案する。 本手法は,ラベル付きデータセットや手動設計による制御インタフェースを使わずに,LiDAR入力サイズを95.83%削減し,効率的なポリシー学習を可能にするボクセルベースのダウンサンプリング戦略を含む。 この方針はシミュレーションで検証され、ストレートロープランテーションにおいて100%の成功率を達成し、行曲率の増加とともに徐々に性能が低下し、様々な正弦波周波数と振幅で試験された。

関連論文リスト

• Advancements in 3D Lane Detection Using LiDAR Point Clouds: From Data Collection to Model Development [10.78971892551972]
  LiSV-3DLaneは大規模な3Dレーンデータセットで、20kフレームのサラウンドビューのLiDAR点雲と豊富なセマンティックアノテーションから構成される。 本稿では,LiDARを用いた新しい3次元車線検出モデルLiLaDetを提案し,LiDAR点雲の空間的幾何学的学習をBird's Eye View (BEV) に基づく車線識別に取り入れた。
  論文  参考訳（メタデータ） (2023-09-24T09:58:49Z)
• Confidence-Controlled Exploration: Efficient Sparse-Reward Policy Learning for Robot Navigation [72.24964965882783]
  強化学習(RL)はロボットナビゲーションにおいて有望なアプローチであり、ロボットは試行錯誤を通じて学習することができる。 現実世界のロボットタスクは、しばしばまばらな報酬に悩まされ、非効率な探索と準最適政策に繋がる。 本稿では,RLに基づくロボットナビゲーションにおいて,報酬関数を変更せずにサンプル効率を向上させる新しい手法であるConfidence-Controlled Exploration (CCE)を紹介する。
  論文  参考訳（メタデータ） (2023-06-09T18:45:15Z)
• Re-Evaluating LiDAR Scene Flow for Autonomous Driving [80.37947791534985]
  自己教師型LiDARシーンフローの一般的なベンチマークは、動的動き、非現実的な対応、非現実的なサンプリングパターンの非現実的な速度を持つ。 実世界のデータセットのスイート上で,トップメソッドのスイートを評価する。 学習に重点を置いているにもかかわらず、ほとんどのパフォーマンス向上は前処理と後処理のステップによって引き起こされる。
  論文  参考訳（メタデータ） (2023-04-04T22:45:50Z)
• Robust Path Following on Rivers Using Bootstrapped Reinforcement Learning [0.0]
  本稿では,内陸海域における自律型表面容器(ASV)の航行制御のための深層強化学習(DRL)エージェントを開発した。 最先端のブートストラップ付きQ-ラーニングアルゴリズムと多用途のトレーニング環境ジェネレータを組み合わせることで、堅牢で正確な舵制御を実現する。
  論文  参考訳（メタデータ） (2023-03-24T07:21:27Z)
• Learning Moving-Object Tracking with FMCW LiDAR [53.05551269151209]
  新たに開発したLiDARセンサである周波数変調連続波(FMCW)を用いた学習型移動物体追跡手法を提案する。 ラベルが与えられた場合,同じインスタンスから機能を埋め込みスペースにまとめて,異なるインスタンスから機能を分離してトラッキング品質を向上させる,対照的な学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-03-02T09:11:36Z)
• SelfVoxeLO: Self-supervised LiDAR Odometry with Voxel-based Deep Neural Networks [81.64530401885476]
  本稿では,これら2つの課題に対処するために,自己教師型LiDARオドメトリー法(SelfVoxeLO)を提案する。 具体的には、生のLiDARデータを直接処理する3D畳み込みネットワークを提案し、3D幾何パターンをよりよく符号化する特徴を抽出する。 我々は,KITTIとApollo-SouthBayという2つの大規模データセット上での手法の性能を評価する。
  論文  参考訳（メタデータ） (2020-10-19T09:23:39Z)

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。