論文の概要: A Physics-Informed Neural Network Approach for UAV Path Planning in Dynamic Environments
- arxiv url: http://arxiv.org/abs/2510.21874v1
- Date: Thu, 23 Oct 2025 13:42:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-28 17:41:21.921191
- Title: A Physics-Informed Neural Network Approach for UAV Path Planning in Dynamic Environments
- Title（参考訳）: 物理インフォームドニューラルネットワークによる動的環境におけるUAV経路計画
- Authors: Shuning Zhang,
- Abstract要約: ダイナミック・ウィンドフィールドで運用される無人航空機(UAV)は、安全でエネルギー効率の良い軌道を生成する必要がある。
A* や Kinodynamic RRT* のような伝統的なプランナーは、離散化やサンプリング制限のため、しばしば準最適または非滑らかな経路をもたらす。
本稿では,UAV力学,風乱,障害物回避を直接学習プロセスに組み込む物理インフォームドニューラルネットワーク(PINN)フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 6.2703664569653945
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Unmanned aerial vehicles (UAVs) operating in dynamic wind fields must generate safe and energy-efficient trajectories under physical and environmental constraints. Traditional planners, such as A* and kinodynamic RRT*, often yield suboptimal or non-smooth paths due to discretization and sampling limitations. This paper presents a physics-informed neural network (PINN) framework that embeds UAV dynamics, wind disturbances, and obstacle avoidance directly into the learning process. Without requiring supervised data, the PINN learns dynamically feasible and collision-free trajectories by minimizing physical residuals and risk-aware objectives. Comparative simulations show that the proposed method outperforms A* and Kino-RRT* in control energy, smoothness, and safety margin, while maintaining similar flight efficiency. The results highlight the potential of physics-informed learning to unify model-based and data-driven planning, providing a scalable and physically consistent framework for UAV trajectory optimization.
- Abstract（参考訳）: ダイナミック・ウィンドフィールドで運用される無人航空機(UAV)は、物理的および環境制約の下で安全でエネルギー効率の良い軌道を生成する必要がある。
A* や Kinodynamic RRT* のような伝統的なプランナーは、離散化やサンプリング制限のため、しばしば準最適または非滑らかな経路をもたらす。
本稿では,UAV力学,風乱,障害物回避を直接学習プロセスに組み込む物理インフォームドニューラルネットワーク(PINN)フレームワークを提案する。
PINNは、教師付きデータを必要とせず、物理的残差とリスク認識の目的を最小化することにより、動的に実現可能かつ衝突のない軌道を学習する。
比較シミュレーションにより, 提案手法は制御エネルギー, 滑らか性, 安全マージンにおいてA*とKino-RRT*を上回っ, 同様の飛行効率を維持した。
結果は、モデルベースとデータ駆動計画を統合する物理情報学習の可能性を強調し、UAV軌道最適化のためのスケーラブルで物理的に一貫したフレームワークを提供する。
関連論文リスト
- Limitations of Physics-Informed Neural Networks: a Study on Smart Grid Surrogation [29.49941497527361]
PINNは、物理法則を直接学習フレームワークに組み込むことによって、スマートグリッドモデリングの変革的なアプローチを示す。
本稿では、PINNの機能をスマートグリッドダイナミクスの代理モデルとして評価する。
PINNの優れた一般化と誤り低減におけるデータ駆動モデルの性能を実証する。
論文 参考訳（メタデータ） (2025-08-29T12:15:32Z) - PI-WAN: A Physics-Informed Wind-Adaptive Network for Quadrotor Dynamics Prediction in Unknown Environments [3.4802474792943805]
本研究では, 物理インフォームド・ウィンド・アダプティブ・ネットワーク (PI-WAN) を導入する。
具体的には、PI-WANは時間的畳み込みネットワーク(TCN)アーキテクチャを採用し、歴史的飛行データから時間的依存関係を効率的にキャプチャする。
実時間予測結果をモデル予測制御(MPC)フレームワークに組み込むことで,クローズドループ追跡性能の向上を実現する。
論文 参考訳（メタデータ） (2025-07-01T14:48:22Z) - 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) - Task Delay and Energy Consumption Minimization for Low-altitude MEC via Evolutionary Multi-objective Deep Reinforcement Learning [52.64813150003228]
無人航空機や他の航空機による低高度経済(LAE)は、輸送、農業、環境監視といった分野に革命をもたらした。
今後の6世代(6G)時代において、UAV支援移動エッジコンピューティング(MEC)は特に山岳や災害に遭った地域のような困難な環境において重要である。
タスクオフロード問題は、主にタスク遅延の最小化とUAVのエネルギー消費のトレードオフに対処するUAV支援MECの重要な問題の一つである。
論文 参考訳（メタデータ） (2025-01-11T02:32:42Z) - Dynamic Tube MPC: Learning Tube Dynamics with Massively Parallel Simulation for Robust Safety in Practice [28.37162791852146]
追跡不能なエラーは、安全を確保するために名目上の計画の堅牢化を必要とする。
本研究では,超並列シミュレーションを利用して動的チューブ表現を学習する手法を提案する。
結果のダイナミックMPCチューブは、3DホッピングロボットARCHERに適用される。
論文 参考訳（メタデータ） (2024-11-22T21:22:51Z) - Custom Non-Linear Model Predictive Control for Obstacle Avoidance in Indoor and Outdoor Environments [0.0]
本稿では,DJI行列100のための非線形モデル予測制御(NMPC)フレームワークを提案する。
このフレームワークは様々なトラジェクトリタイプをサポートし、厳密な操作の精度を制御するためにペナルティベースのコスト関数を採用している。
論文 参考訳（メタデータ） (2024-10-03T17:50:19Z) - Auto-Train-Once: Controller Network Guided Automatic Network Pruning from Scratch [72.26822499434446]
オートトレインオース (Auto-Train-Once, ATO) は、DNNの計算コストと記憶コストを自動的に削減するために設計された、革新的なネットワークプルーニングアルゴリズムである。
総合的な収束解析と広範な実験を行い,本手法が様々なモデルアーキテクチャにおける最先端性能を実現することを示す。
論文 参考訳（メタデータ） (2024-03-21T02:33:37Z) - A Safer Vision-based Autonomous Planning System for Quadrotor UAVs with
Dynamic Obstacle Trajectory Prediction and Its Application with LLMs [6.747468447244154]
本稿では,動的障害物の追跡と軌道予測を組み合わせて,効率的な自律飛行を実現するビジョンベース計画システムを提案する。
シミュレーション環境と実環境環境の両方で実験を行い,本研究の結果から動的環境の障害物をリアルタイムに検出・回避することが可能であることが示唆された。
論文 参考訳（メタデータ） (2023-11-21T08:09:00Z) - Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate
Model Predictive Trajectory Tracking [76.27433308688592]
クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。
本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。
提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
論文 参考訳（メタデータ） (2022-06-07T13:51:35Z) - Gradient-Based Trajectory Optimization With Learned Dynamics [80.41791191022139]
データからシステムの微分可能なダイナミクスモデルを学習するために、機械学習技術を使用します。
ニューラルネットワークは、大規模な時間的地平線に対して、非常に非線形な振る舞いを正確にモデル化できることが示される。
ハードウェア実験において、学習したモデルがSpotとRadio- controlled (RC)の両方の複雑な力学を表現できることを実証した。
論文 参考訳（メタデータ） (2022-04-09T22:07:34Z) - Data Freshness and Energy-Efficient UAV Navigation Optimization: A Deep
Reinforcement Learning Approach [88.45509934702913]
我々は、移動基地局(BS)が配備される複数の無人航空機(UAV)のナビゲーションポリシーを設計する。
我々は、地上BSにおけるデータの鮮度を確保するために、エネルギーや情報年齢(AoI)の制約などの異なる文脈情報を組み込んだ。
提案したトレーニングモデルを適用することで、UAV-BSに対する効果的なリアルタイム軌道ポリシーは、時間とともに観測可能なネットワーク状態をキャプチャする。
論文 参考訳（メタデータ） (2020-02-21T07:29:15Z)
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。