論文の概要: ONRAP: Occupancy-driven Noise-Resilient Autonomous Path Planning
- arxiv url: http://arxiv.org/abs/2602.13577v1
- Date: Sat, 14 Feb 2026 03:27:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-23 08:17:41.453146
- Title: ONRAP: Occupancy-driven Noise-Resilient Autonomous Path Planning
- Title（参考訳）: OnRAP: 騒音駆動型自律経路計画
- Authors: Faizan M. Tariq, Avinash Singh, Vipul Ramtekkar, Jovin D'sa, David Isele, Yosuke Sakamoto, Sangjae Bae,
- Abstract要約: 本稿では, 占有グリッドで動作する実践的, 実装に優しいプランナを提案する。
これはエゴ中心で、運動的に実現可能なパスを生成し、静的かつダイナミックな障害物を安全にナビゲートする。
重度局所化と知覚雑音を用いたシミュレーションにおいて,本手法の有効性を検証した。
- 参考スコア（独自算出の注目度）: 4.58403099322105
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Dynamic path planning must remain reliable in the presence of sensing noise, uncertain localization, and incomplete semantic perception. We propose a practical, implementation-friendly planner that operates on occupancy grids and optionally incorporates occupancy-flow predictions to generate ego-centric, kinematically feasible paths that safely navigate through static and dynamic obstacles. The core is a nonlinear program in the spatial domain built on a modified bicycle model with explicit feasibility and collision-avoidance penalties. The formulation naturally handles unknown obstacle classes and heterogeneous agent motion by operating purely in occupancy space. The pipeline runs in real-time (faster than 10 Hz on average), requires minimal tuning, and interfaces cleanly with standard control stacks. We validate our approach in simulation with severe localization and perception noises, and on an F1TENTH platform, demonstrating smooth and safe maneuvering through narrow passages and rough routes. The approach provides a robust foundation for noise-resilient, prediction-aware planning, eliminating the need for handcrafted heuristics. The project website can be accessed at https://honda-research-institute.github.io/onrap/
- Abstract（参考訳）: 動的経路計画は、感知ノイズ、不確実な局所化、不完全な意味知覚の存在下で信頼性を保たなければならない。
そこで本稿では, 占有グリッド上で動作し, 任意に占有フロー予測を組み込んで, 静的および動的障害物を安全にナビゲートするエゴ中心の, 運動論的に実現可能な経路を生成する, 実践的, 実装に優しいプランナを提案する。
コアは、明示的な実現性と衝突回避性を備えた修正自転車モデル上に構築された空間領域における非線形プログラムである。
この定式化は、純粋に占有空間で操作することで、未知の障害物クラスと不均一なエージェントの動きを自然に処理する。
パイプラインはリアルタイムに動作し(平均で10Hz以上)、最小限のチューニングが必要で、標準のコントロールスタックとのインターフェースがクリーンになる。
我々は,F1TENTHプラットフォーム上で,狭い経路や粗い経路を滑らかかつ安全に操作できることを実証し,高精度な局所化と知覚雑音を用いたシミュレーションによるアプローチの有効性を検証した。
このアプローチは、手作りのヒューリスティックスの必要性を排除し、耐雑音性と予測を意識した計画のための堅牢な基盤を提供する。
プロジェクトのWebサイトはhttps://honda-research-institute.github.io/onrap/でアクセスできる。
関連論文リスト
- Vision-Guided MPPI for Agile Drone Racing: Navigating Arbitrary Gate Poses via Neural Signed Distance Fields [8.66703842496129]
ドローンレースには、極端なアジリティの下での認識、計画、制御の緊密な結合が必要です。
近年のアプローチは、事前計算された空間基準軌道や明示的な6-DoFゲートポーズ推定に依存している。
そこで我々は,任意の配置と配向ゲートを介して,参照不要のアジャイル飛行を可能にするビジョンガイド付き最適制御フレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-07T13:18:07Z) - 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) - Adapting Reinforcement Learning for Path Planning in Constrained Parking Scenarios [6.734318562862061]
駐車場におけるリアルタイム経路計画のためのDeep Reinforcement Learningフレームワークを提案する。
古典的なプランナーとは異なり、我々の解は理想的で構造化された知覚を必要としない。
テスト時には、ポリシーは各ステップで1つのフォワードパスを通じてアクションを生成します。
論文 参考訳（メタデータ） (2026-01-30T04:35:49Z) - Geometry of Drifting MDPs with Path-Integral Stability Certificates [14.721539799090904]
実世界の強化学習は、しばしば非定常的であり、報酬と力学は最適な行動において急激なスイッチを起動し、加速し、振動し、引き起こす。
環境を相異なるホモトピーパスとしてモデル化し、最適なベルマン固定点の誘導運動を追跡することにより、非定常割引マルコフ決定過程(MDPs)の幾何学的ビューを得る。
これは、累積ドリフト、加速度/振動、アクションギャップによって引き起こされる非滑らかさという、内在的な複雑さの、長さ-曲率-キンクのシグネチャをもたらす。
論文 参考訳（メタデータ） (2026-01-29T17:03:23Z) - FlowDrive: Energy Flow Field for End-to-End Autonomous Driving [50.89871153094958]
FlowDriveは、物理的に解釈可能なエネルギーベースのフローフィールドを導入し、セマンティックな前提と安全性をBEV空間にエンコードする新しいフレームワークである。
NAVSIM v2ベンチマークの実験では、FlowDriveが最先端のパフォーマンスを86.3で達成し、安全性と計画品質の両方において以前のベースラインを超えたことが示されている。
論文 参考訳（メタデータ） (2025-09-17T13:51:33Z) - Forecasting Continuous Non-Conservative Dynamical Systems in SO(3) [51.510040541600176]
コンピュータビジョンにおける移動物体の回転をモデル化するための新しい手法を提案する。
我々のアプローチは、入力ノイズに対して頑健でありながら、エネルギーと運動量保存に非依存である。
トレーニング中の雑音状態から物体のダイナミクスを近似させることで、シミュレーションや様々な現実世界の設定において頑健な外挿能力が得られる。
論文 参考訳（メタデータ） (2025-08-11T09:03:10Z) - 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) - SAFE-SIM: Safety-Critical Closed-Loop Traffic Simulation with Diffusion-Controllable Adversaries [94.84458417662407]
制御可能なクローズドループ安全クリティカルシミュレーションフレームワークであるSAFE-SIMを紹介する。
提案手法は,1)現実の環境を深く反映した現実的な長距離安全クリティカルシナリオの生成,2)より包括的でインタラクティブな評価のための制御可能な敵行動の提供,の2つの利点をもたらす。
複数のプランナにまたがるnuScenesとnuPlanデータセットを使用して、我々のフレームワークを実証的に検証し、リアリズムと制御性の両方の改善を実証した。
論文 参考訳（メタデータ） (2023-12-31T04:14:43Z) - Layout Sequence Prediction From Noisy Mobile Modality [53.49649231056857]
軌道予測は、自律運転やロボット工学などの応用における歩行者運動を理解する上で重要な役割を担っている。
現在の軌道予測モデルは、視覚的モダリティからの長い、完全な、正確に観察されたシーケンスに依存する。
本稿では,物体の障害物や視界外を,完全に視認できる軌跡を持つものと同等に扱う新しいアプローチであるLTrajDiffを提案する。
論文 参考訳（メタデータ） (2023-10-09T20:32:49Z) - Learning Robust Policy against Disturbance in Transition Dynamics via
State-Conservative Policy Optimization [63.75188254377202]
深層強化学習アルゴリズムは、ソースとターゲット環境の相違により、現実世界のタスクでは不十分な処理を行うことができる。
本研究では,前もって乱れをモデル化せずにロバストなポリシーを学習するための,モデルフリーなアクター批判アルゴリズムを提案する。
いくつかのロボット制御タスクの実験では、SCPOは遷移力学の乱れに対する堅牢なポリシーを学習している。
論文 参考訳（メタデータ） (2021-12-20T13:13:05Z) - DPMPC-Planner: A real-time UAV trajectory planning framework for complex
static environments with dynamic obstacles [0.9462808515258462]
安全なUAVナビゲーションは、複雑な環境構造、動的障害物、計測ノイズによる不確実性、予測不可能な移動障害物の挙動のために困難である。
本稿では,動的障害物を伴う複雑な静的環境を考慮した安全なナビゲーションを実現するための軌道計画フレームワークを提案する。
論文 参考訳（メタデータ） (2021-09-14T23:51:02Z)
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。