論文の概要: Learning When to Jump for Off-road Navigation
- arxiv url: http://arxiv.org/abs/2602.00877v1
- Date: Sat, 31 Jan 2026 19:41:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-23 08:17:41.048276
- Title: Learning When to Jump for Off-road Navigation
- Title（参考訳）: オフロードナビゲーションのためのジャンプのタイミングを学習する
- Authors: Zhipeng Zhao, Taimeng Fu, Shaoshu Su, Qiwei Du, Ehsan Tarkesh Esfahani, Karthik Dantu, Souma Chowdhury, Chen Wang,
- Abstract要約: 本研究では,実際のロボットの動きに条件付き地形コストを明示的にモデル化するための移動認識トラバーサビリティ表現を提案する。
MATを統合し,アジャイルのオフロードナビゲーションを可能にするシステムを開発した。
その結果、MATはリアルタイムの効率を向上し、オフロードナビゲーションの性能を向上させることがわかった。
- 参考スコア（独自算出の注目度）: 10.997518969388084
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Low speed does not always guarantee safety in off-road driving. For instance, crossing a ditch may be risky at a low speed due to the risk of getting stuck, yet safe at a higher speed with a controlled, accelerated jump. Achieving such behavior requires path planning that explicitly models complex motion dynamics, whereas existing methods often neglect this aspect and plan solely based on positions or a fixed velocity. To address this gap, we introduce Motion-aware Traversability (MAT) representation to explicitly model terrain cost conditioned on actual robot motion. Instead of assigning a single scalar score for traversability, MAT models each terrain region as a Gaussian function of velocity. During online planning, we decompose the terrain cost computation into two stages: (1) predict terrain-dependent Gaussian parameters from perception in a single forward pass, (2) efficiently update terrain costs for new velocities inferred from current dynamics by evaluating these functions without repeated inference. We develop a system that integrates MAT to enable agile off-road navigation and evaluate it in both simulated and real-world environments with various obstacles. Results show that MAT achieves real-time efficiency and enhances the performance of off-road navigation, reducing path detours by 75% while maintaining safety across challenging terrains.
- Abstract（参考訳）: 低速はオフロード運転の安全を必ずしも保証しない。
例えば、溝を渡るには、立ち往生するリスクがあるため、低速で危険が伴うが、制御された加速ジャンプでより高速で安全である。
このような振る舞いを達成するには、複雑な運動力学を明示的にモデル化するパスプランニングが必要であるが、既存の手法では、この側面を無視し、位置や固定速度のみに基づいて計画することが多い。
このギャップに対処するために、実際のロボットの動きに条件付けされた地形コストを明示的にモデル化するために、動き認識トラバーサビリティ(MAT)表現を導入する。
MATは1つのスカラースコアをトラバータビリティに割り当てる代わりに、各地形領域を速度のガウス関数としてモデル化する。
オンラインプランニングにおいて,地形のコスト計算は,(1)1つの前方通過における知覚から地形依存ガウスパラメータを予測すること,(2)現在の力学から推定される新しい速度の地形コストを,繰り返し推論せずに評価することにより効率的に更新すること,の2段階に分解する。
我々は、MATを統合し、アジャイルのオフロードナビゲーションを可能にするシステムを開発し、様々な障害のあるシミュレーション環境と実環境の両方で評価する。
以上の結果から,MATは道路外航法の性能を向上し,道路外航法の性能を75%低減し,挑戦的な地形を横断する安全性を維持した。
関連論文リスト
- RA-Nav: A Risk-Aware Navigation System Based on Semantic Segmentation for Aerial Robots in Unpredictable Environments [7.128475765820446]
既存の空飛ぶロボットナビゲーションシステムは、静的な障害物が突然動くと適応しない。
セマンティックセグメンテーションに基づくリスク対応ナビゲーションフレームワークであるRA-Navを提案する。
RA-Navは、突然の障害状態遷移シナリオにおいて、ベースラインよりも高い成功率を達成する。
論文 参考訳（メタデータ） (2026-02-19T16:26:43Z) - Spatially-Aware Adaptive Trajectory Optimization with Controller-Guided Feedback for Autonomous Racing [74.83272587893508]
本稿では,NURBSに基づく軌道表現,CMA-ESグローバル軌道最適化,コントローラ誘導空間フィードバックを組み合わせた自律レースライン最適化フレームワークを提案する。
シミュレーションでは,最大静的加速度をパラメータ化したコントローラと比較して17.38%のラップタイム短縮を実現している。
高摩擦から低摩擦まで様々なタイヤ化合物で試験された実ハードウェアでは、摩擦を明示的にパラメータ化することなく、7.60%のラップタイムの改善が得られる。
論文 参考訳（メタデータ） (2026-02-17T15:10:44Z) - Risk-Aware Obstacle Avoidance Algorithm for Real-Time Applications [0.6299766708197881]
本研究は,車両経路に沿った障害物の確率論的モデリングと,自律表面容器のスムーズな軌道最適化を統合したハイブリッド型リスク対応ナビゲーションアーキテクチャを提案する。
提案手法は、運転安全性と自律性の向上を示し、不確実かつダイナミックな環境下でのリスク対応型自動運転車のミッションのための有望なソリューションとして確立する。
論文 参考訳（メタデータ） (2026-02-09T21:15:33Z) - 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) - 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) - ReGentS: Real-World Safety-Critical Driving Scenario Generation Made Stable [88.08120417169971]
機械学習に基づく自律運転システムは、現実世界のデータでは稀な安全クリティカルなシナリオで課題に直面していることが多い。
この研究は、軌道最適化によって複雑な現実世界の通常のシナリオを変更することによって、安全クリティカルな運転シナリオを生成することを検討する。
提案手法は、頑健なプランナーの訓練には役に立たない非現実的な発散軌道と避けられない衝突シナリオに対処する。
論文 参考訳（メタデータ） (2024-09-12T08:26:33Z) - Risk-Aware Off-Road Navigation via a Learned Speed Distribution Map [39.54575497596679]
本研究は,データから学習可能なロボットの速度のみに基づく,トラバーサビリティの新たな表現を提案する。
提案アルゴリズムは,ロボットが達成できる速度の分布を,環境セマンティクスと命令された速度に基づいて予測する。
数値シミュレーションにより,提案したリスク認識計画アルゴリズムが平均目標達成時間を短縮することを示した。
論文 参考訳（メタデータ） (2022-03-25T03:08:02Z) - Learning High-Speed Flight in the Wild [101.33104268902208]
複雑な自然環境や人工環境を高速で自律的に飛行するエンド・ツー・エンドのアプローチを提案する。
鍵となる原理は、雑音の知覚観測を直接、後退水平方向に無衝突軌道にマッピングすることである。
現実的なセンサノイズをシミュレートすることにより,シミュレーションから現実環境へのゼロショット転送を実現する。
論文 参考訳（メタデータ） (2021-10-11T09:43:11Z) - IA Planner: Motion Planning Using Instantaneous Analysis for Autonomous
Vehicle in the Dense Dynamic Scenarios on Highways [1.6791232288938656]
密集したダイナミックシーンでは、軌道計画の失敗や他の人による切り込みが容易である。
本稿では,衝突関係のみを同時に解析する瞬時解析モデルを提案する。
実験結果から, 本手法は, 高密度な動的シナリオにおいて, 安全快適かつ車線変化軌道を計画できることが示された。
論文 参考訳（メタデータ） (2021-03-19T17:10:50Z) - STEP: Stochastic Traversability Evaluation and Planning for Safe
Off-road Navigation [9.423950528323893]
トラバーサビリティを評価し,安全かつ実現可能な高速軌道をリアルタイムに計画する手法を提案する。
1)迅速な不確実性認識マッピングとトラバーサビリティ評価,2)条件付きバリュー・アット・リスク(CVaR)を用いたテールリスクアセスメント,3)効率的なリスクと制約を考慮したキノダイナミックな動き計画。
本手法をシミュレーションで解析し,地下溶岩管を含む極端な地形を探索する車輪型および脚型ロボットプラットフォーム上での有効性を検証する。
論文 参考訳（メタデータ） (2021-03-04T04:24:19Z)
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。