論文の概要: Traversability Aware Autonomous Navigation for Multi-Modal Mobility Morphobot (M4)

• arxiv url: http://arxiv.org/abs/2512.11876v1
• Date: Sun, 07 Dec 2025 17:28:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:40.315254
• Title: Traversability Aware Autonomous Navigation for Multi-Modal Mobility Morphobot (M4)
• Title（参考訳）: マルチモーダルモビリティ・モフォボット(M4)の自律走行を考慮したトラバーサビリティ
• Authors: Hrigved Mahesh Suryawanshi,
• Abstract要約: この論文は、M4ロボットプラットフォームのためのトラバーサビリティ対応ナビゲーションフレームワークを提示する。 CNNベースのモデルが標高マップを処理し、走行可能性スコアを推定し、経路計画のためのナビゲーションコストに変換する。 カスタムのA*プランナーは、これらのコストを幾何学的距離とエネルギー消費と組み合わせて、貿易の適度な距離が増加する経路を見つける。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Autonomous navigation in unstructured environments requires robots to assess terrain difficulty in real-time and plan paths that balance efficiency with safety. This thesis presents a traversability-aware navigation framework for the M4 robot platform that uses learned terrain analysis to generate energy-efficient paths avoiding difficult terrain.Our approach uses FAST-LIO for real-time localization, generating 2.5D elevation maps from LiDAR point clouds. A CNN-based model processes these elevation maps to estimate traversability scores, which are converted into navigation costs for path planning. A custom A* planner incorporates these costs alongside geometric distance and energy consumption to find paths that trade modest distance increases for substantial terrain quality improvements. Before system development, a platform-agnostic study compared LiDAR-based and camera-based SLAM using OptiTrack ground truth. Point cloud comparison through ICP alignment and cloud-to-mesh distance analysis demonstrated that LiDAR-based mapping achieves centimeter-level precision essential for elevation mapping, while camera-based approaches exhibited significantly higher geometric error. These findings directly resulted in the selection of LiDAR as the primary sensor to generate elevation maps. The complete pipeline integrates FAST-LIO localization, GPU-accelerated elevation mapping, CNN-based traversability estimation, and Nav2 navigation with a custom traversability-aware planner. Experimental results demonstrate that the system successfully avoids low traversability regions and accepts a few longer paths to achieve a reduction in terrain cost. This work establishes a foundation for intelligent terrain-aware navigation applicable to multi-modal robotic platforms.
• Abstract（参考訳）: 非構造環境における自律的なナビゲーションには、ロボットがリアルタイムで地形の難易度を評価することや、効率と安全性のバランスをとる計画を立てることが必要である。 この論文では、学習した地形解析を用いて、困難な地形を避けるためのエネルギー効率の高い経路を生成するM4ロボットプラットフォームのためのトラバーサビリティ対応ナビゲーションフレームワークを提示し、我々のアプローチでは、リアルタイムな位置決めにFAST-LIOを使用し、LiDAR点雲から2.5D高度マップを生成する。 CNNベースのモデルは、これらの標高マップを処理し、走行可能性スコアを推定し、経路計画のためのナビゲーションコストに変換する。 カスタムのA*プランナーは、これらのコストを幾何学的距離とエネルギー消費と組み合わせて組み込んで、実質的な地形の質向上のために、貿易の適度な距離が増加する経路を見つける。 システム開発前、プラットフォームに依存しない研究では、OptiTrackによるLiDARベースのSLAMとカメラベースのSLAMを比較した。 ICPアライメントと雲間距離解析による点雲の比較により、LiDARに基づくマッピングは標高マッピングに不可欠なセンチメートルレベルの精度を実現し、カメラベースのアプローチは幾何誤差が著しく高いことを示した。 これらの結果から,LiDARを一次センサとして選択し,標高マップを作成した。 完全なパイプラインには、FAST-LIOローカライゼーション、GPUアクセラレーションされた高度マッピング、CNNベースのトラバーサビリティ推定、カスタムのトラバーサビリティ対応プランナを備えたNav2ナビゲーションが含まれている。 実験結果から,低トラバータビリティ領域の回避に成功し,地形コストの低減を図るために,より長い経路を受け入れることができた。 この研究は、マルチモーダルロボットプラットフォームに適用可能な、インテリジェントな地形認識ナビゲーションの基礎を確立する。

関連論文リスト

• Bayesian-Driven Graph Reasoning for Active Radio Map Construction [96.08082552413117]
  本稿では,経路ナビゲーションに適したグラフベースの推論を明示的に活用する不確実性を考慮した無線地図再構成フレームワークを提案する。 提案手法は,(1)空間的不確実性をリアルタイムで推定するベイズニューラルネットワーク,(2)グローバル推論を行う注意に基づく強化学習ポリシの2つの重要な深層学習要素を統合した。 実験の結果,URAMは既存のベースラインよりも最大で34%の精度で復元できることがわかった。
  論文  参考訳（メタデータ） (2025-07-29T03:32:01Z)
• NOVA: Navigation via Object-Centric Visual Autonomy for High-Speed Target Tracking in Unstructured GPS-Denied Environments [56.35569661650558]
  我々はNOVAというオブジェクト中心のフレームワークを導入し、ロバストな目標追跡と衝突認識ナビゲーションを可能にした。 グローバルマップを構築するのではなく、NOVAはターゲットの参照フレーム内での知覚、推定、制御を定式化する。 我々は,都市迷路や森林の小道,間欠的なGPS損失を伴う建物内の繰り返し遷移など,現実の挑戦的なシナリオにまたがってNOVAを検証する。
  論文  参考訳（メタデータ） (2025-06-23T14:28:30Z)
• RoadRunner -- Learning Traversability Estimation for Autonomous Off-road Driving [13.101416329887755]
  我々は、カメラとLiDARセンサーの入力から直接地形変動を予測できるフレームワークであるRoadRunnerと、標高マップを提示する。 RoadRunnerは、センサ情報、不確実性の処理、コンテキスト情報による予測の生成を融合させることで、信頼性の高い自律ナビゲーションを可能にする。 我々は,非構造砂漠環境を通した複数の現実の運転シナリオにおいて,安全かつ信頼性の高いオフロードナビゲーションを実現する上で,ロードランナーの有効性を実証する。
  論文  参考訳（メタデータ） (2024-02-29T16:47:54Z)
• Pixel to Elevation: Learning to Predict Elevation Maps at Long Range using Images for Autonomous Offroad Navigation [10.898724668444125]
  本稿では,車載エゴセントリック画像のみをリアルタイムに利用して,長距離の地形標高マップを予測できる学習型アプローチを提案する。 複雑で非構造的な地形における自律型オフロードロボットナビゲーションへの提案手法の適用性を実験的に検証した。
  論文  参考訳（メタデータ） (2024-01-30T22:37:24Z)
• ViKiNG: Vision-Based Kilometer-Scale Navigation with Geographic Hints [94.60414567852536]
  長距離航法には、計画と局所的な移動可能性の推論の両方が必要である。 学習と計画を統合する学習に基づくアプローチを提案する。 ViKiNGは、画像ベースの学習コントローラを利用できる。
  論文  参考訳（メタデータ） (2022-02-23T02:14:23Z)
• Large-scale Autonomous Flight with Real-time Semantic SLAM under Dense Forest Canopy [48.51396198176273]
  本研究では,大規模自律飛行とリアルタイムセマンティックマッピングを,挑戦的なアンダーキャノピー環境下で実現可能な統合システムを提案する。 我々は、スキャン全体で関連付けられ、木のトランクモデルと同様にロボットのポーズを制約するために使用されるLiDARデータから、木の幹と地面の平面を検出し、モデル化する。 ドリフト補償機構は、プランナー最適性とコントローラ安定性を維持しつつ、セマンティックSLAM出力を用いたドリフトをリアルタイムで最小化するように設計されている。
  論文  参考訳（メタデータ） (2021-09-14T07:24:53Z)

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。