論文の概要: SanD-Planner: Sample-Efficient Diffusion Planner in B-Spline Space for Robust Local Navigation

• arxiv url: http://arxiv.org/abs/2602.00923v1
• Date: Sat, 31 Jan 2026 22:37:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:41.051567
• Title: SanD-Planner: Sample-Efficient Diffusion Planner in B-Spline Space for Robust Local Navigation
• Title（参考訳）: SanD-Planner:ロバストローカルナビゲーションのためのBスプライン空間における試料効率の良い拡散プランナ
• Abstract要約: SanD-Plannerはサンプル効率のよい拡散型ローカルプランナーで、B-スプライン空間内で深度画像に基づく模倣学習を行う。 評価されたオープンベンチマークで最先端のパフォーマンスを達成し、シミュレーションされた乱雑な環境では90.1%ドル、屋内シミュレーションでは72.0%ドルの成功率を達成した。
• 参考スコア（独自算出の注目度）: 15.648031076271963
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The challenge of generating reliable local plans has long hindered practical applications in highly cluttered and dynamic environments. Key fundamental bottlenecks include acquiring large-scale expert demonstrations across diverse scenes and improving learning efficiency with limited data. This paper proposes SanD-Planner, a sample-efficient diffusion-based local planner that conducts depth image-based imitation learning within the clamped B-spline space. By operating within this compact space, the proposed algorithm inherently yields smooth outputs with bounded prediction errors over local supports, naturally aligning with receding-horizon execution. Integration of an ESDF-based safety checker with explicit clearance and time-to-completion metrics further reduces the training burden associated with value-function learning for feasibility assessment. Experiments show that training with $500$ episodes (merely $0.25\%$ of the demonstration scale used by the baseline), SanD-Planner achieves state-of-the-art performance on the evaluated open benchmark, attaining success rates of $90.1\%$ in simulated cluttered environments and $72.0\%$ in indoor simulations. The performance is further proven by demonstrating zero-shot transferability to realistic experimentation in both 2D and 3D scenes. The dataset and pre-trained models will also be open-sourced.
• Abstract（参考訳）: 信頼性の高いローカルプランを生成するという課題は、高度に散らばった動的環境における実践的な応用を長い間妨げてきた。 主なボトルネックは、さまざまなシーンにわたる大規模なエキスパートデモの取得と、限られたデータによる学習効率の向上である。 本稿では,B-スプライン空間内で深度画像に基づく模倣学習を行うサンプル効率のよい拡散型ローカルプランナであるSanD-Plannerを提案する。 このコンパクト空間内での動作により、提案アルゴリズムは局所的サポートよりも有界な予測誤差を持つ滑らかな出力を自然に生成する。 ESDFベースの安全チェックアと明示的なクリアランスと時間と補完のメトリクスを統合することで、実現可能性評価のためのバリューファンクション学習に伴うトレーニング負担をさらに軽減する。 実験によると、500ドル(ベースラインが使用するデモスケールの0.25セント)のトレーニングは、評価されたオープンベンチマークで最先端のパフォーマンスを達成し、シミュレーションされた乱雑な環境では90.1\%、屋内シミュレーションでは72.0\%という成功率を達成した。 この性能は、2Dシーンと3Dシーンの両方で現実的な実験にゼロショット転送性を示すことでさらに証明されている。 データセットと事前トレーニングされたモデルもオープンソースになる予定だ。

関連論文リスト

• Solution for UCF UrbanTwin V2X-Real Track: Sim-to-Real Urban LiDAR 3D Object Detection [54.03436243843709]
  本報告では,Sim2Real 3D検出のためのマルチソース協調学習とクラス認識融合フレームワークを提案する。 この方法は、デジタルツインスキャン、拡散露光スキャン、密度安定化スキャン、歩行者形態に整列したサンプルを補完的な役割を持つ統合トレーニングプールに整理する。
  論文  参考訳（メタデータ） (2026-09-07T15:16:15Z)
• From Distances to Trajectories: Real-Time Signed Distance Function Mapping and Distance-Accelerated Motion Planning for UAVs [8.393016378205752]
  我々は、マッピングとプランニングは単一の表現を中心に共同設計されるべきであると主張する:符号付き距離関数(SDF)。 タンデムでは、距離情報を利用して最大衝突のない球を成長させる検索ベースのプランナーであるBubble$star$を開発する。 計算制約の厳密な条件下で室内環境をリアルタイムでナビゲートし,四角形回路上でのOREN-Bubble$star$アプローチを実演する。
  論文  参考訳（メタデータ） (2026-07-21T17:18:46Z)
• GASE: Gaussian Splatting-Based Automated System for Reconstructing Embodied-Simulation Environments [63.222920701596564]
  実世界での実施エージェントの訓練には熟練したオペレーターと高価なハードウェアが必要である。 シミュレーション環境は、大規模で費用対効果の高いデータ拡張を可能にすることで、魅力的な代替手段を提供する。 シミュレーションシーンを最小限のsim-to-realギャップで高速に構築することは、ロボット学習において重要な目標となっている。
  論文  参考訳（メタデータ） (2026-06-16T05:00:42Z)
• Z-FLoc: Zero-Shot Floorplan Localization via Geometric Primitives [72.63181031215858]
  そこで本研究では,ゼロショットフロアプランのローカライズ手法を提案する。 我々の重要な洞察は、支配的な幾何学的プリミティブが人間が作った環境でユビキタスであることである。 シミュレーションと実世界の両方のデータセットの実験により、我々のアプローチは、目に見えない環境における最先端の学習ベースの手法よりも優れています。
  論文  参考訳（メタデータ） (2026-06-03T12:14:24Z)
• MSACT: Multistage Spatial Alignment for Stable Low-Latency Fine Manipulation [4.439585594082787]
  実世界の微視的操作、特に双方向操作では、低レイテンシ制御と安定した視覚的位置決めが必要となる。 ACTのようなアクションチャンキングポリシーは、低レイテンシの実行とデータ効率を可能にするが、空間的一貫性を明示することなく、密集した視覚的特徴に依存している。 安定な2次元アテンションポイントを抽出し,時間的アライメントロスを伴う将来のアテンションシーケンスを共同で予測する多段階空間アテンションモジュールを提案する。
  論文  参考訳（メタデータ） (2026-05-01T07:35:15Z)
• ProAct: Agentic Lookahead in Interactive Environments [56.50613398808361]
  ProActは、2段階のトレーニングパラダイムを通じて、エージェントが正確なルックアヘッド推論を内部化することを可能にするフレームワークである。 そこでは,環境に基づく探索から得られたトラジェクトリの微調整をエージェントが行うGLAD(Grounded LookAhead Distillation)を紹介する。 また,政策段階のアルゴリズムを改良する補助値推定器であるモンテカルロ批判(MC-Critic)を提案する。
  論文  参考訳（メタデータ） (2026-02-05T05:45:16Z)
• A View-consistent Sampling Method for Regularized Training of Neural Radiance Fields [46.03878128080501]
  我々は、NeRFトレーニングを正規化するために、固定深度値推定の代わりにビュー一貫性分布を用いることを提案する。 ビュー・一貫性分布からサンプリングすることにより、NeRFのトレーニングに暗黙の正規化が課される。 また,サンプリング手法と連動して機能する深度処理損失を利用して,故障モードの除去に有効な正則化を行う。
  論文  参考訳（メタデータ） (2025-07-06T14:48:10Z)
• Real-time Spatial-temporal Traversability Assessment via Feature-based Sparse Gaussian Process [15.756895046886406]
  本研究では,自律型ロボットが複雑な地形を移動できるようにすることを目的とした,空間的時間的トラバーサビリティ評価手法を提案する。 我々の手法は精度と計算効率の両面でSOTAよりも優れている。 本研究では,移動可能性マップと統合された自律ナビゲーションフレームワークを開発し,複雑な屋外環境下での微分駆動車による検証を行う。
  論文  参考訳（メタデータ） (2025-03-06T06:26:57Z)
• RAPID: Robust and Agile Planner Using Inverse Reinforcement Learning for Vision-Based Drone Navigation [9.25068777307471]
  本稿では,乱雑な環境下でのアジャイルドローン飛行のための学習型ビジュアルプランナを紹介する。 提案したプランナーは、ミリ秒で衝突のないウェイポイントを生成し、ドローンは、異なる知覚、マッピング、計画モジュールを構築することなく、複雑な環境でアジャイルな操作を実行できる。
  論文  参考訳（メタデータ） (2025-02-04T06:42:08Z)
• Language-to-Space Programming for Training-Free 3D Visual Grounding [38.39850802321939]
  言語間空間プログラミング(Language-to-Space Programming, LaSP)は、3Dビジュアルグラウンドティングのためのトレーニング不要な手法である。 LaSPはNr3Dベンチマークで52.9%の精度を達成し、最高のトレーニングフリーメソッドの1つである。
  論文  参考訳（メタデータ） (2025-02-03T14:32:36Z)
• FlowTS: Time Series Generation via Rectified Flow [67.41208519939626]
  FlowTSは、確率空間における直線輸送を伴う整流フローを利用するODEベースのモデルである。 非条件設定では、FlowTSは最先端のパフォーマンスを達成し、コンテキストFIDスコアはStockとETThデータセットで0.019と0.011である。 条件設定では、太陽予測において優れた性能を達成している。
  論文  参考訳（メタデータ） (2024-11-12T03:03:23Z)
• Augmenting Channel Simulator and Semi- Supervised Learning for Efficient Indoor Positioning [28.580940241818954]
  本研究は,屋内位置決めにおける労働集約的・資源消費的課題に,効率的なアプローチを提案することを目的としている。 提案手法は、ラベル付きとラベルなしの両方のチャネルデータを効果的に活用する、バイアス付き教師アルゴリズム(SSLB)による半教師付き学習(SSL)の導入を含む。
  論文  参考訳（メタデータ） (2024-08-01T10:06:02Z)
• Towards the Uncharted: Density-Descending Feature Perturbation for Semi-supervised Semantic Segmentation [51.66997548477913]
  本稿では,DDFP(Dedentity-Descending Feature Perturbation)という特徴レベルの一貫性学習フレームワークを提案する。 半教師付き学習における低密度分離仮定にインスパイアされた私たちの重要な洞察は、特徴密度はセグメンテーション分類器が探索する最も有望な方向の光を放つことができるということである。 提案したDFFPは、機能レベルの摂動に関する他の設計よりも優れており、Pascal VOCとCityscapesのデータセット上でのアートパフォーマンスの状態を示している。
  論文  参考訳（メタデータ） (2024-03-11T06:59:05Z)
• iSDF: Real-Time Neural Signed Distance Fields for Robot Perception [64.80458128766254]
  iSDFは実時間符号付き距離場再構成のための連続学習システムである。 より正確な再構築と、衝突コストと勾配のより良い近似を生成する。
  論文  参考訳（メタデータ） (2022-04-05T15:48:39Z)

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。