論文の概要: VertiAdaptor: Online Kinodynamics Adaptation for Vertically Challenging Terrain

• arxiv url: http://arxiv.org/abs/2603.06887v1
• Date: Fri, 06 Mar 2026 21:08:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:42.017751
• Title: VertiAdaptor: Online Kinodynamics Adaptation for Vertically Challenging Terrain
• Title（参考訳）: VertiAdaptor: 鉛直チェアリングテランのオンラインキノダイナミックス適応
• Authors: Tong Xu, Chenhui Pan, Aniket Datar, Xuesu Xiao,
• Abstract要約: VertiAdaptor (VA)は、地形を考慮したキノダイナミックモデリングと計画のためのオンライン適応フレームワークである。 VAは、一連のニューラル常微分方程式基底関数によって広がるキノダイナミック空間を学習し、複雑な車両とテランの相互作用をキャプチャする。 VAは予測精度を最大23.9%改善し、適応時間を5倍速くする。
• 参考スコア（独自算出の注目度）: 12.6823418300363
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Autonomous driving in off-road environments presents significant challenges due to the dynamic and unpredictable nature of unstructured terrain. Traditional kinodynamic models often struggle to generalize across diverse geometric and semantic terrain types, underscoring the need for real-time adaptation to ensure safe and reliable navigation. We propose VertiAdaptor (VA), a novel online adaptation framework that efficiently integrates elevation with semantic embeddings to enable terrain-aware kinodynamic modeling and planning via function encoders. VA learns a kinodynamic space spanned by a set of neural ordinary differential equation basis functions, capturing complex vehicle-terrain interactions across varied environments. After offline training, the proposed approach can rapidly adapt to new, unseen environments by identifying kinodynamics in the learned space through a computationally efficient least-squares calculation. We evaluate VA within the Verti-Bench simulator, built on the Chrono multi-physics engine, and validate its performance both in simulation and on a physical Verti-4-Wheeler platform. Our results demonstrate that VA improves prediction accuracy by up to 23.9% and achieves a 5X faster adaptation time, advancing the robustness and reliability of autonomous robots in complex and evolving off-road environments.
• Abstract（参考訳）: オフロード環境での自律運転は、非構造地形の動的で予測不可能な性質のため、重大な課題を示す。 伝統的なキノダイナミックモデルは、様々な幾何学的および意味的な地形タイプをまたいだ一般化に苦慮し、安全で信頼性の高いナビゲーションを確保するためにリアルタイム適応の必要性を強調している。 VertiAdaptor(VA)は,標高とセマンティック埋め込みを効率的に統合し,地形を考慮したキノダイナミックなモデリングと関数エンコーダによる計画を可能にする新しいオンライン適応フレームワークである。 VAは、一連のニューラル常微分方程式基底関数によって分散されたキノダイナミック空間を学習し、様々な環境における複雑な車両とテランの相互作用をキャプチャする。 オフライン学習では,学習空間におけるキノダイナミックスを計算効率のよい最小二乗計算により同定することで,新しい未知の環境に迅速に適応することができる。 クロノ多物理エンジン上に構築されたVerti-Benchシミュレータ内のVAを評価し,シミュレーションおよび物理的Verti-4-Wheelerプラットフォーム上での性能評価を行った。 その結果、VAは予測精度を最大23.9%向上し、5倍高速な適応時間を実現し、複雑で進化するオフロード環境における自律ロボットの堅牢性と信頼性を高めた。

関連論文リスト

• CAR: Cross-Vehicle Kinodynamics Adaptation via Mobility Representation [12.994292036520681]
  CAR(Cross-vehicle Kinodynamics Adaptation by Mobility Representation)は、新しい車両への高速移動を可能にする新しいフレームワークである。 我々は,CARをクロノ多物理エンジン上に構築したVerti-Benchシミュレータを用いて評価し,Verti-4-Wheelerプラットフォームを4つの物理構成で評価した。
  論文  参考訳（メタデータ） (2026-03-06T20:34:55Z)
• MetAdv: A Unified and Interactive Adversarial Testing Platform for Autonomous Driving [85.04826012938642]
  MetAdvは、現実的でダイナミックでインタラクティブな評価を可能にする、新しい対向テストプラットフォームである。 フレキシブルな3D車両モデリングと、シミュレートされた環境と物理的環境のシームレスな遷移をサポートする。 生理的信号のリアルタイムキャプチャとドライバからの行動フィードバックを可能にする。
  論文  参考訳（メタデータ） (2025-08-04T03:07:54Z)
• Meta-Learning Online Dynamics Model Adaptation in Off-Road Autonomous Driving [9.515695438588855]
  高速オフロード自動運転は、複雑で進化する地形特性のために固有の課題を提起する。 これらの課題に対処するために,Kalmanフィルタに基づくオンライン適応スキームとメタ学習パラメータを組み合わせた新しいフレームワークを提案する。 この結果から,メタ学習型動的モデル適応の有効性が評価され,信頼性の高い自律システムの開発が進められた。
  論文  参考訳（メタデータ） (2025-04-23T17:51:36Z)
• 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)
• EmerNeRF: Emergent Spatial-Temporal Scene Decomposition via Self-Supervision [85.17951804790515]
  EmerNeRFは動的駆動シーンの時空間表現を学習するためのシンプルだが強力なアプローチである。 シーンの幾何学、外観、動き、セマンティクスを自己ブートストラップで同時にキャプチャする。 本手法はセンサシミュレーションにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-11-03T17:59:55Z)
• Online Calibration of a Single-Track Ground Vehicle Dynamics Model by Tight Fusion with Visual-Inertial Odometry [8.165828311550152]
  視覚的慣性眼圧計(VIO)を用いた車輪付き地上車両の単トラックダイナミックスモデルに厳密に融合する新しいアプローチST-VIOを提案する。 提案手法は,将来的な制御入力における前方予測の精度を向上させるために,動的モデルをオンラインで校正し,適応する。
  論文  参考訳（メタデータ） (2023-09-20T08:50:30Z)
• Gradient-Based Trajectory Optimization With Learned Dynamics [80.41791191022139]
  データからシステムの微分可能なダイナミクスモデルを学習するために、機械学習技術を使用します。 ニューラルネットワークは、大規模な時間的地平線に対して、非常に非線形な振る舞いを正確にモデル化できることが示される。 ハードウェア実験において、学習したモデルがSpotとRadio- controlled (RC)の両方の複雑な力学を表現できることを実証した。
  論文  参考訳（メタデータ） (2022-04-09T22:07:34Z)

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。