論文の概要: Active Next-Best-View Optimization for Risk-Averse Path Planning

• arxiv url: http://arxiv.org/abs/2510.06481v1
• Date: Tue, 07 Oct 2025 21:41:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-09 16:41:20.211671
• Title: Active Next-Best-View Optimization for Risk-Averse Path Planning
• Title（参考訳）: リスク逆経路計画のためのアクティブ次世代視点最適化
• Authors: Amirhossein Mollaei Khass, Guangyi Liu, Vivek Pandey, Wen Jiang, Boshu Lei, Kostas Daniilidis, Nader Motee,
• Abstract要約: 不確実な環境での安全なナビゲーションには、リスク回避とアクティブな知覚を統合する計画手法が必要である。 本稿では,オンライン更新された3次元ガウスプレート放射場上にテールセンシティブなリスクマップを構築することで,粗い参照経路を洗練する統一フレームワークを提案する。 これらのマップは、局所的に安全かつ実現可能な軌道の生成を可能にする。
• 参考スコア（独自算出の注目度）: 27.736895306224863
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Safe navigation in uncertain environments requires planning methods that integrate risk aversion with active perception. In this work, we present a unified framework that refines a coarse reference path by constructing tail-sensitive risk maps from Average Value-at-Risk statistics on an online-updated 3D Gaussian-splat Radiance Field. These maps enable the generation of locally safe and feasible trajectories. In parallel, we formulate Next-Best-View (NBV) selection as an optimization problem on the SE(3) pose manifold, where Riemannian gradient descent maximizes an expected information gain objective to reduce uncertainty most critical for imminent motion. Our approach advances the state-of-the-art by coupling risk-averse path refinement with NBV planning, while introducing scalable gradient decompositions that support efficient online updates in complex environments. We demonstrate the effectiveness of the proposed framework through extensive computational studies.
• Abstract（参考訳）: 不確実な環境での安全なナビゲーションには、リスク回避とアクティブな知覚を統合する計画手法が必要である。 本研究では,オンライン更新された3次元ガウスプレート放射場に基づいて,平均値-アットリスク統計からテールセンシティブなリスクマップを構築することで,粗い参照経路を洗練する統一フレームワークを提案する。 これらのマップは、局所的に安全かつ実現可能な軌道の生成を可能にする。 平行して、SE(3) ポーズ多様体上での最適化問題としてNext-Best-View (NBV) の選択を定式化し、リーマン勾配降下が期待される情報ゲイン目標を最大化し、差し迫った動きに最も重要な不確実性を減らす。 我々のアプローチは、複雑な環境で効率的なオンライン更新をサポートするスケーラブルな勾配分解を導入しながら、NBV計画とリスク-逆経路改善を結合することで最先端の手法を推し進める。 提案手法の有効性を,広範囲な計算研究を通じて実証する。

関連論文リスト

• Stabilizing Policy Gradients for Sample-Efficient Reinforcement Learning in LLM Reasoning [77.92320830700797]
  強化学習は、大規模言語モデルの推論機能を実現する上で中心的な役割を果たしてきた。 本稿では,ポリシー更新時の曲率情報を追跡し,活用するトラクタブルな計算フレームワークを提案する。 アルゴリズムであるCurvature-Aware Policy Optimization (CAPO)は、不安定な更新に寄与するサンプルを特定し、それらをマスクアウトする。
  論文  参考訳（メタデータ） (2025-10-01T12:29:32Z)
• Efficient Risk-sensitive Planning via Entropic Risk Measures [51.42922439693624]
  動的プログラミングにより,エントロピーリスク対策(EntRM)のみを効率的に最適化できることを示す。 エントロピーリスクの新たな構造解析と滑らかさ特性により, この最適性を効果的に計算できることを実証する。
  論文  参考訳（メタデータ） (2025-02-27T09:56:51Z)
• Convex Risk Bounded Continuous-Time Trajectory Planning and Tube Design in Uncertain Nonconvex Environments [7.874203691787801]
  リスクプランニングを保証した連続時間トラジェクトリを探す方法を提案する。 リスク境界計画の概念を活用して、リスクをポイントのセットに変換するのです。
  論文  参考訳（メタデータ） (2023-05-26T22:21:44Z)
• When Demonstrations Meet Generative World Models: A Maximum Likelihood Framework for Offline Inverse Reinforcement Learning [62.00672284480755]
  本稿では, 専門家エージェントから, 一定の有限個の実演において観測された動作を過小評価する報酬と環境力学の構造を復元することを目的とする。 タスクを実行するための正確な専門知識モデルは、臨床的意思決定や自律運転のような安全に敏感な応用に応用できる。
  論文  参考訳（メタデータ） (2023-02-15T04:14:20Z)
• Hierarchical Policy Blending as Inference for Reactive Robot Control [21.058662668187875]
  ぼんやりした、密集した、ダイナミックな環境における運動生成は、ロボット工学における中心的なトピックである。 反応ポリシーと計画の利点を組み合わせた階層的な動き生成手法を提案する。 平面ナビゲーションと6DoF操作の実験的研究により,提案手法は筋活動制御とオンライン再計画の両方に優れることが示された。
  論文  参考訳（メタデータ） (2022-10-14T15:16:54Z)
• RAPTOR: End-to-end Risk-Aware MDP Planning and Policy Learning by Backpropagation [12.600828753197204]
  PyTorch (RAP) を用いたリスクアウェアプランニング(リスクアウェアプランニング)を導入する。 本研究では, 非線形ナビゲーション, HVAC制御, 線形貯水池制御を含む3つの高次要素について, これら2種類のRAPTORを評価し, 比較した。
  論文  参考訳（メタデータ） (2021-06-14T09:27:19Z)
• 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)

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。