論文の概要: MMH-Planner: Multi-Mode Hybrid Trajectory Planning Method for UAV Efficient Flight Based on Real-Time Spatial Awareness
- arxiv url: http://arxiv.org/abs/2603.02683v1
- Date: Tue, 03 Mar 2026 07:23:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-23 08:17:41.850828
- Title: MMH-Planner: Multi-Mode Hybrid Trajectory Planning Method for UAV Efficient Flight Based on Real-Time Spatial Awareness
- Title（参考訳）: MMH-Planner:実時間空間認識に基づくUAV高効率飛行のための多モードハイブリッド軌道計画法
- Authors: Yinghao Zhao, Chenguang Dai, Liang Lyu, Zhenchao Zhang, Chaozhen Lan, Hong Xie,
- Abstract要約: 本稿では, リアルタイム環境認識に基づくUAVの多モードハイブリッド軌道計画手法を提案する。
今後の環境における飛行安全性を迅速に評価する目標指向型空間認識手法を提案する。
次に,多モードハイブリッド軌道計画機構を提案し,計画効率を向上させる。
- 参考スコア（独自算出の注目度）: 5.419189180406189
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Motion planning is a critical component of intelligent unmanned systems, enabling their complex autonomous operations. However, current planning algorithms still face limitations in planning efficiency due to inflexible strategies and weak adaptability. To address this, this paper proposes a multi-mode hybrid trajectory planning method for UAVs based on real-time environmental awareness, which dynamically selects the optimal planning model for high-quality trajectory generation in response to environmental changes. First, we introduce a goal-oriented spatial awareness method that rapidly assesses flight safety in the upcoming environments. Second, a multi-mode hybrid trajectory planning mechanism is proposed, which can enhance the planning efficiency by selecting the optimal planning model for trajectory generation based on prior spatial awareness. Finally, we design a lazy replanning strategy that triggers replanning only when necessary to reduce computational resource consumption while maintaining flight quality. To validate the performance of the proposed method, we conducted comprehensive comparative experiments in simulation environments. Results demonstrate that our approach outperforms existing state-of-the-art (SOTA) algorithms across multiple metrics, achieving the best performance particularly in terms of the average number of planning iterations and computational cost per iteration. Furthermore, the effectiveness of our approach is further verified through real-world flight experiments integrated with a self-developed intelligent UAV platform.
- Abstract（参考訳）: モーションプランニングは知的無人システムの重要なコンポーネントであり、複雑な自律的な操作を可能にする。
しかし、現在の計画アルゴリズムは、柔軟性のない戦略と弱い適応性のために、計画効率の限界に直面している。
そこで本研究では, 環境変化に応じて, 高品質な軌道生成のための最適計画モデルを動的に選択する, リアルタイム環境認識に基づくUAVの多モードハイブリッド軌道計画手法を提案する。
まず,次の環境における飛行安全性を迅速に評価する目標指向型空間認識手法を提案する。
第2に,事前の空間認識に基づく軌道生成のための最適計画モデルを選択することにより,計画効率を向上させるマルチモードハイブリッド軌道計画機構を提案する。
最後に,飛行品質を保ちながら,計算資源の消費削減に必要な場合にのみ再計画を行う遅延再計画戦略を設計する。
提案手法の有効性を検証するため,シミュレーション環境における総合的な比較実験を行った。
その結果、提案手法は既存のSOTAアルゴリズムを複数のメトリクスで上回り、特に計画のイテレーション平均数やイテレーション当たりの計算コストの面で最高の性能を実現していることがわかった。
さらに,本手法の有効性を,自律型インテリジェントUAVプラットフォームと統合した実世界の飛行実験を通じて検証した。
関連論文リスト
- Closing the Train-Test Gap in World Models for Gradient-Based Planning [64.36544881136405]
本研究では,効率的な勾配計画を可能にする世界モデルの学習方法を提案する。
テスト時には,古典的勾配のないクロスエントロピー法よりも優れた手法が提案される。
論文 参考訳（メタデータ） (2025-12-10T18:59:45Z) - Improved particle swarm optimization algorithm: multi-target trajectory optimization for swarm drones [20.531764063763678]
従来のParticle Swarm Optimization (PSO) 手法は、リアルタイムシナリオにおける早期収束と遅延に苦慮している。
PSOベースのオンライントラジェクトリプランナであるPE-PSOを提案する。
遺伝的アルゴリズム(GA)に基づくタスク割り当てと分散PE-PSOを組み合わせたマルチエージェントフレームワークを開発した。
論文 参考訳（メタデータ） (2025-07-18T04:31:49Z) - Plan-R1: Safe and Feasible Trajectory Planning as Language Modeling [74.41886258801209]
本稿では,行動学習から原理的アライメントを分離する2段階の軌道計画フレームワークを提案する。
Plan-R1は計画の安全性と実現可能性を大幅に改善し、最先端の性能を達成する。
論文 参考訳（メタデータ） (2025-05-23T09:22:19Z) - World Modeling Makes a Better Planner: Dual Preference Optimization for Embodied Task Planning [60.100794160682646]
そこで本稿では,嗜好学習による状態予測と行動選択を協調的に最適化する新たな学習フレームワークを提案する。
人間のアノテーションを使わずに軌道や段階的な選好データを自動的に収集するために,試行錯誤による広範囲な探索のための木探索機構を導入する。
提案手法は,Qwen2-VL (7B), LLaVA-1.6 (7B), LLaMA-3.2 (11B) に適用した場合, 既存の手法と GPT-4o を著しく上回っている。
論文 参考訳（メタデータ） (2025-03-13T15:49:56Z) - Predictive Planner for Autonomous Driving with Consistency Models [5.966385886363771]
軌道予測と計画は、自動運転車が動的環境下で安全かつ効率的に走行するために不可欠である。
近年の拡散型生成モデルはマルチエージェント軌道生成において有望であるが,その遅いサンプリングは高周波計画タスクには適さない。
我々は,エゴ車両の航法目標に基づいて,エゴと周辺エージェントの共同分布からサンプルを採取する予測プランナを構築するために,一貫性モデルを活用する。
論文 参考訳（メタデータ） (2025-02-12T00:26:01Z) - A Hybrid Tabu Scatter Search Algorithm for Simulation-Based Optimization of Multi-Objective Runway Operations Scheduling [0.0]
Dissertationは、滑走路運用スケジューリングのためのシミュレーションベースの最適化(SbO)アプローチを提案することで、航空交通フロー管理の課題に対処する。
目的は、遅延、燃料消費、環境への影響を最小限に抑えつつ、空港の容量利用を最適化することである。
提案するSbOフレームワークは,滑走路条件を扱う離散イベントシミュレーションモデルと,最適解を特定するためのハイブリッドタブ・散乱探索アルゴリズムを統合した。
論文 参考訳（メタデータ） (2025-02-08T14:42:05Z) - Task Delay and Energy Consumption Minimization for Low-altitude MEC via Evolutionary Multi-objective Deep Reinforcement Learning [52.64813150003228]
無人航空機や他の航空機による低高度経済(LAE)は、輸送、農業、環境監視といった分野に革命をもたらした。
今後の6世代(6G)時代において、UAV支援移動エッジコンピューティング(MEC)は特に山岳や災害に遭った地域のような困難な環境において重要である。
タスクオフロード問題は、主にタスク遅延の最小化とUAVのエネルギー消費のトレードオフに対処するUAV支援MECの重要な問題の一つである。
論文 参考訳（メタデータ） (2025-01-11T02:32:42Z) - Simple Hierarchical Planning with Diffusion [54.48129192534653]
拡散に基づく生成法は、オフラインデータセットによる軌跡のモデリングに有効であることが証明されている。
階層型および拡散型プランニングの利点を組み合わせた高速かつ驚くほど効果的な計画手法である階層型ディフューザを導入する。
我々のモデルは、より高いレベルで「ジャンピー」な計画戦略を採用しており、より大きな受容場を持つことができるが、計算コストは低い。
論文 参考訳（メタデータ） (2024-01-05T05:28:40Z) - Planning as In-Painting: A Diffusion-Based Embodied Task Planning
Framework for Environments under Uncertainty [56.30846158280031]
具体的AIのためのタスクプランニングは、最も難しい問題の1つだ。
In-paintingとしての計画」というタスク非依存の手法を提案する。
提案するフレームワークは,様々な具体的AIタスクにおいて,有望なパフォーマンスを実現する。
論文 参考訳（メタデータ） (2023-12-02T10:07:17Z) - Learning to Initialize Trajectory Optimization for Vision-Based Autonomous Flight in Unknown Environments [4.0543433786183485]
未知環境における自律飛行のためのニューラル・エンハンスト・トレイ・プランナー(NEO-Planner)を提案する。
NEO-Plannerは、生のセンサー観測から直接軌道の空間的および時間的パラメータを予測することを学ぶ。
最適化を20%削減し、純粋な最適化手法と比較して軌道時間も26%減少する。
論文 参考訳（メタデータ） (2023-09-19T15:07:26Z)
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。