論文の概要: OmniPlanner: Universal Exploration and Inspection Path Planning across Robot Morphologies

• arxiv url: http://arxiv.org/abs/2603.04284v1
• Date: Wed, 04 Mar 2026 17:02:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:41.898837
• Title: OmniPlanner: Universal Exploration and Inspection Path Planning across Robot Morphologies
• Title（参考訳）: OmniPlanner: ロボット形態の普遍的な探索と検査パス計画
• Authors: Angelos Zacharia, Mihir Dharmadhikari, Mohit Singh, Kostas Alexis,
• Abstract要約: この記事では、空中、地上、水中ロボットを横断する自律探査および検査のための統合計画フレームワークであるOmniPlannerについて述べる。 この手法は、単一のモジュラーアーキテクチャ内での目標到達行動と並行して、体積探索と視点に基づく検査を統合する。 この枠組みは、地下の鉱山、工業施設、森林、潜水艦バンカー、構造物の屋外環境における広範なシミュレーション研究と現地展開を通じて検証されている。
• 参考スコア（独自算出の注目度）: 13.982169714862648
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Autonomous robotic systems are increasingly deployed for mapping, monitoring, and inspection in complex and unstructured environments. However, most existing path planning approaches remain domain-specific (i.e., either on air, land, or sea), limiting their scalability and cross-platform applicability. This article presents OmniPlanner, a unified planning framework for autonomous exploration and inspection across aerial, ground, and underwater robots. The method integrates volumetric exploration and viewpoint-based inspection, alongside target reach behaviors within a single modular architecture, complemented by a platform abstraction layer that captures morphology-specific sensing, traversability and motion constraints. This enables the same planning strategy to generalize across distinct mobility domains with minimal retuning. The framework is validated through extensive simulation studies and field deployments in underground mines, industrial facilities, forests, submarine bunkers, and structured outdoor environments. Across these diverse scenarios, OmniPlanner demonstrates robust performance, consistent cross-domain generalization, and improved exploration and inspection efficiency compared to representative state-of-the-art baselines.
• Abstract（参考訳）: 自律型ロボットシステムは、複雑で非構造的な環境でのマッピング、監視、検査のためにますます多くデプロイされている。 しかし、既存のほとんどの経路計画手法はドメイン固有であり(空気、陸、海など)、スケーラビリティとクロスプラットフォームの適用性を制限する。 この記事では、空中、地上、水中ロボットを横断する自律探査および検査のための統合計画フレームワークであるOmniPlannerについて述べる。 この手法は,1つのモジュラーアーキテクチャ内での目標到達行動と並行して,体積探索と視点に基づく検査を統合し,モルフォロジー特異的なセンシング,トラバータビリティ,動作制約を捉えるプラットフォーム抽象化層を補完する。 これにより、最小限の調整で異なるモビリティドメインをまたいで同じ計画戦略を一般化することができる。 この枠組みは、地下の鉱山、工業施設、森林、潜水艦バンカー、構造物の屋外環境における広範なシミュレーション研究と現地展開を通じて検証されている。 これらの多様なシナリオ全体で、OmniPlannerは堅牢なパフォーマンス、一貫したクロスドメインの一般化、調査と検査の効率の改善を、最先端の一般的なベースラインと比較して示す。

関連論文リスト

• Spatially Grounded Long-Horizon Task Planning in the Wild [49.614308474374035]
  GroundedPlanBenchは、空間的に接地された長距離行動計画のための新しいベンチマークである。 Video-to-Spatially Grounded Planning (V2GP)は、現実のロボットビデオのデモを活用して、空間的地平面の長期計画を改善する自動データ生成フレームワークである。
  論文  参考訳（メタデータ） (2026-03-13T05:42:18Z)
• A Unified Experimental Architecture for Informative Path Planning: from Simulation to Deployment with GuadalPlanner [69.43049144653882]
  本稿では,車種別制御から高レベルの意思決定を分離する統一アーキテクチャを提案する。 提案アーキテクチャは、計画、センシング、車両実行の標準化されたインターフェースを定義するGuaralPlannerを通じて実現されている。
  論文  参考訳（メタデータ） (2026-02-11T10:02:31Z)
• SLAM-Free Visual Navigation with Hierarchical Vision-Language Perception and Coarse-to-Fine Semantic Topological Planning [20.12642476619467]
  脚付きロボットナビゲーションのための視覚のみのSLAMフリーナビゲーションフレームワークを提案する。 階層的な視覚言語知覚モジュールは、シーンレベルのコンテキストとオブジェクトレベルの手がかりを融合して、堅牢なセマンティック推論を行う。 強化学習コントローラと統合されたこのフレームワークは、さまざまな脚を持つロボットプラットフォームにデプロイ可能である。
  論文  参考訳（メタデータ） (2025-09-25T04:38:45Z)
• Semantic Exploration and Dense Mapping of Complex Environments using Ground Robot with Panoramic LiDAR-Camera Fusion [10.438142938687326]
  本稿では,LiDAR-パノラマカメラスイートを備えた地上ロボットを用いて,複雑な未知環境の自律的セマンティック探索と密集的セマンティックターゲットマッピングを行うシステムを提案する。 そこで我々はまず,幾何的カバレッジと意味的視点の両方の観察を完遂するタスクを再定義し,その後,意味的視点と幾何学的視点を別々に管理し,局所的な視点を生成するための新たな優先順位駆動型デカップリング型局所サンプリングを提案する。 さらに,ロボットの安全性を確保しつつ,積極的な探索行動を可能にする安全な攻撃的探索状態マシンを提案する。
  論文  参考訳（メタデータ） (2025-05-28T21:27:32Z)
• A Meta-Engine Framework for Interleaved Task and Motion Planning using Topological Refinements [51.54559117314768]
  タスク・アンド・モーション・プランニング(タスク・アンド・モーション・プランニング、TAMP)は、自動化された計画問題の解決策を見つけるための問題である。 本稿では,TAMP問題のモデル化とベンチマークを行うための,汎用的でオープンソースのフレームワークを提案する。 移動エージェントと複数のタスク状態依存障害を含むTAMP問題を解決する革新的なメタ技術を導入する。
  論文  参考訳（メタデータ） (2024-08-11T14:57:57Z)
• AI planning in the imagination: High-level planning on learned abstract search spaces [68.75684174531962]
  我々は,エージェントが訓練中に学習する抽象的な検索空間において,エージェントが計画することを可能にする,PiZeroと呼ばれる新しい手法を提案する。 本研究では,旅行セールスマン問題,ソコバン問題,2048年,施設立地問題,パックマン問題など,複数の分野で評価を行った。
  論文  参考訳（メタデータ） (2023-08-16T22:47:16Z)
• Object Goal Navigation using Goal-Oriented Semantic Exploration [98.14078233526476]
  本研究は,未確認環境における対象カテゴリーのインスタンスにナビゲートするオブジェクトゴールナビゲーションの問題を研究する。 本稿では,表層的なセマンティックマップを構築し,効率的に環境を探索する「ゴール指向セマンティック探索」というモジュールシステムを提案する。
  論文  参考訳（メタデータ） (2020-07-01T17:52:32Z)
• Learning to Move with Affordance Maps [57.198806691838364]
  物理的な空間を自律的に探索し、ナビゲートする能力は、事実上あらゆる移動型自律エージェントの基本的な要件である。 従来のSLAMベースの探索とナビゲーションのアプローチは、主にシーン幾何学の活用に重点を置いている。 学習可能な余剰マップは探索と航法の両方において従来のアプローチの強化に利用でき、性能が大幅に向上することを示します。
  論文  参考訳（メタデータ） (2020-01-08T04:05:11Z)

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。