論文の概要: Real-Time Learning of Predictive Dynamic Obstacle Models for Robotic Motion Planning

• arxiv url: http://arxiv.org/abs/2511.00814v1
• Date: Sun, 02 Nov 2025 05:54:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:26.948457
• Title: Real-Time Learning of Predictive Dynamic Obstacle Models for Robotic Motion Planning
• Title（参考訳）: ロボット運動計画のための予測動的障害物モデルのリアルタイム学習
• Authors: Stella Kombo, Masih Haseli, Skylar Wei, Joel W. Burdick,
• Abstract要約: 我々は,他のエージェントの動きの非線形予測モデルをリアルタイムで学習するオンラインフレームワークを開発した。 Cadzowプロジェクションは構造化された低ランクの一貫性を強制し、デノーズされた軌道と局所的なノイズ分散の推定を導出する。 ガウス型および重尾型雑音下でのシミュレーションにおけるアプローチの有効性を検証し, 動的クレーン試験台で実験的に検証した。
• 参考スコア（独自算出の注目度）: 7.819710421921815
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Autonomous systems often must predict the motions of nearby agents from partial and noisy data. This paper asks and answers the question: "can we learn, in real-time, a nonlinear predictive model of another agent's motions?" Our online framework denoises and forecasts such dynamics using a modified sliding-window Hankel Dynamic Mode Decomposition (Hankel-DMD). Partial noisy measurements are embedded into a Hankel matrix, while an associated Page matrix enables singular-value hard thresholding (SVHT) to estimate the effective rank. A Cadzow projection enforces structured low-rank consistency, yielding a denoised trajectory and local noise variance estimates. From this representation, a time-varying Hankel-DMD lifted linear predictor is constructed for multi-step forecasts. The residual analysis provides variance-tracking signals that can support downstream estimators and risk-aware planning. We validate the approach in simulation under Gaussian and heavy-tailed noise, and experimentally on a dynamic crane testbed. Results show that the method achieves stable variance-aware denoising and short-horizon prediction suitable for integration into real-time control frameworks.
• Abstract（参考訳）: 自律システムは、部分的およびノイズの多いデータから近くのエージェントの動きを予測する必要があることが多い。 リアルタイムに、他のエージェントの動きの非線形予測モデルを学ぶことができるのか? 我々のオンライン・フレームワークは、変形したスライドウインドウHankel Dynamic Mode Decomposition (Hankel-DMD)を用いて、そのようなダイナミクスを記述・予測する。 部分雑音測定はハンケル行列に埋め込まれ、関連するページ行列は特異値のハードしきい値(SVHT)を有効ランクを推定することができる。 Cadzowプロジェクションは構造化された低ランクの一貫性を強制し、デノーズされた軌道と局所的なノイズ分散の推定を導出する。 この表現から、多段階予測のために、時変ハンケル-DMD昇降線形予測器を構築する。 残差分析は、下流推定器とリスク対応計画を支援する分散追跡信号を提供する。 ガウス型および重尾型雑音下でのシミュレーションにおけるアプローチの有効性を検証し, 動的クレーン試験台で実験的に検証した。 提案手法は,リアルタイム制御フレームワークへの統合に適した,安定な分散認識と短時間水平予測を実現する。

関連論文リスト

• Elucidated Rolling Diffusion Models for Probabilistic Weather Forecasting [52.6508222408558]
  Eucidated Rolling Diffusion Models (ERDM)を紹介する。 ERDMはEucidated Diffusion Models (EDM) の原理的, 性能的設計とローリング予測構造を統一する最初のフレームワークである 2D Navier-StokesシミュレーションとERA5グローバル気象予報の1.5円解像度では、ERDMはキー拡散ベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-06-24T21:44:31Z)
• Analysis, forecasting and system identification of a floating offshore wind turbine using dynamic mode decomposition [0.0]
  本稿では, 動的モード分解(DMD)を応用したヘキサフロート浮揚風力タービンの動特性の, データ駆動式フリーモデリングについて述べる。 そこで,DMD は,システム同定と秩序の低減のために,システム状態の即時的知識から短期的な予測を行うために,i) 動的システムから知識を抽出するために,i) モーダル解析(ii) を用いている。 結果は、短期予測とシステム同定のためのアプローチの能力を示し、リアルタイム連続学習デジタルツインニングの可能性を示し、データ駆動型縮小順序モデリングを代理する。
  論文  参考訳（メタデータ） (2024-11-08T18:38:29Z)
• Dynamical system prediction from sparse observations using deep neural networks with Voronoi tessellation and physics constraint [12.638698799995815]
  本稿では,Voronoi Tessellation (DSOVT) フレームワークを用いたスパース観測からの動的システム予測について紹介する。 ボロノイテッセルレーションと深層学習モデルを統合することで、DSOVTは疎く非構造的な観測で力学系の予測に適している。 純粋にデータ駆動モデルと比較して、我々の物理学に基づくアプローチは、明示的に定式化された力学の中で物理法則を学習することができる。
  論文  参考訳（メタデータ） (2024-08-31T13:43:52Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• Stabilizing Machine Learning Prediction of Dynamics: Noise and Noise-inspired Regularization [58.720142291102135]
  近年、機械学習(ML)モデルはカオス力学系の力学を正確に予測するために訓練可能であることが示されている。 緩和技術がなければ、この技術は人工的に迅速にエラーを発生させ、不正確な予測と/または気候不安定をもたらす可能性がある。 トレーニング中にモデル入力に付加される多数の独立雑音実効化の効果を決定論的に近似する正規化手法であるLinearized Multi-Noise Training (LMNT)を導入する。
  論文  参考訳（メタデータ） (2022-11-09T23:40:52Z)
• Anomaly Detection of Time Series with Smoothness-Inducing Sequential Variational Auto-Encoder [59.69303945834122]
  Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。 我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。 合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
  論文  参考訳（メタデータ） (2021-02-02T06:15:15Z)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)
• LSTM-based Anomaly Detection for Non-linear Dynamical System [11.797156206007612]
  本稿では,Long Short-Term Memory (LSTM)に基づく非線形力学系における新しい異常検出手法を提案する。 まず、データ前処理、多段階予測、異常検出を含む非線形力学系におけるLSTMに基づく異常検出の枠組みについて述べる。 提案手法は,壁面せん断応力データセットにおいて従来の手法よりも高い精度で予測できる。
  論文  参考訳（メタデータ） (2020-06-05T01:09:36Z)

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。