論文の概要: PanoDP: Learning Collision-Free Navigation with Panoramic Depth and Differentiable Physics

• arxiv url: http://arxiv.org/abs/2603.07644v1
• Date: Sun, 08 Mar 2026 14:12:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:42.060393
• Title: PanoDP: Learning Collision-Free Navigation with Panoramic Depth and Differentiable Physics
• Title（参考訳）: パノDP:パノラマ奥行きと微分物理学による無衝突ナビゲーション学習
• Authors: Hao Zhong, Pei Chi, Jiang Zhao, Shenghai Yuan, Xuyang Gao, Thien-Minh Nguyen, Lihua Xie,
• Abstract要約: 我々は、パノラマ奥行き認識と微分物理学に基づく訓練信号を組み合わせたコミュニケーション自由学習フレームワーク、textbfPanoDPを提案する。 パノDPは、軽量CNNを用いてパノラマ深さを符号化し、密集した微分可能な衝突と運動実現可能な条件でポリシーを最適化する。
• 参考スコア（独自算出の注目度）: 31.59082418860036
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Autonomous collision-free navigation in cluttered environments requires safe decision-making under partial observability with both static structure and dynamic obstacles. We present \textbf{PanoDP}, a communication-free learning framework that combines four-view panoramic depth perception with differentiable-physics-based training signals. PanoDP encodes panoramic depth using a lightweight CNN and optimizes policies with dense differentiable collision and motion-feasibility terms, improving training stability beyond sparse terminal collisions. We evaluate PanoDP on a controlled ring-to-center benchmark with systematic sweeps over agent count, obstacle density/layout, and dynamic behaviors, and further test out-of-distribution generalization in an external simulator (e.g., AirSim). Across settings, PanoDP increases collision-free and completion rates over single-view and non-physics-guided baselines under matched training budgets, and ablations (view masking, rotation augmentation) confirm the policy leverages 360-degree information. Code will be open source upon acceptance.
• Abstract（参考訳）: 乱雑な環境での自律的な衝突のない航行には、静的構造と動的障害物の両方で部分観測可能条件下での安全な意思決定が必要である。 本研究では,4視点パノラマ深度知覚と微分物理学に基づく訓練信号を組み合わせたコミュニケーション自由学習フレームワークである「textbf{PanoDP}」を提案する。 パノDPは軽量CNNを用いてパノラマ深さを符号化し、密集した微分可能な衝突と運動実現可能性条件でポリシーを最適化し、スパース終端衝突以上の訓練安定性を向上させる。 本研究では, エージェント数, 障害物密度/レイアウト, 動的挙動を網羅した制御リング・ツー・センター・ベンチマークを用いてPanoDPを評価し, さらに外部シミュレータ(例: AirSim)における分布外一般化を検証した。 パノDPは、整合したトレーニング予算の下で、単視および非物理誘導ベースラインよりも衝突のない状態と完了率を高め、改善(視マスキング、回転増強)により、360度情報を活用することが確認される。 コードは受け入れ次第オープンソースになる。

関連論文リスト

• Formation-Aware Adaptive Conformalized Perception for Safe Leader-Follower Multi-Robot Systems [3.2334188372270654]
  異所性知覚の誤りと、形成操作と可視性制約の結合により、安全は困難である。 本稿では,リスク対応モンドリアンCPに基づく分散型適応型コンフォメーション予測手法を提案する。
  論文  参考訳（メタデータ） (2026-03-09T21:44:20Z)
• Stochastic Path Planning in Correlated Obstacle Fields [1.8184089804625951]
  本研究では,不確実な状態の空間的相関障害を有するナビゲーション環境であるSCOS(Correlated Obstacle Scene)問題を紹介する。 我々は,ブロック確率を洗練させるベイズ的信念更新を開発し,その後部を用いて探索空間を効率よく削減する。 このフレームワークは、敵の割り込みやクラスタ化された自然災害のある環境でのナビゲーション上の課題に対処する。
  論文  参考訳（メタデータ） (2025-09-23T20:30:35Z)
• QuadKAN: KAN-Enhanced Quadruped Motion Control via End-to-End Reinforcement Learning [2.26464274357758]
  我々は、強化学習(RL)による視覚誘導四足歩行制御に対処する。 Kolmogorov-Arnold Networks (KAN) でインスタンス化されたクロスモーダルポリシーである QuadKAN を提案する。 以上の結果から,QuadKANは最新技術(SOTA)ベースラインよりも一貫して高いリターン,より大きな距離,衝突の少ないことが分かる。
  論文  参考訳（メタデータ） (2025-08-26T16:05:32Z)
• NOVA: Navigation via Object-Centric Visual Autonomy for High-Speed Target Tracking in Unstructured GPS-Denied Environments [56.35569661650558]
  我々はNOVAというオブジェクト中心のフレームワークを導入し、ロバストな目標追跡と衝突認識ナビゲーションを可能にした。 グローバルマップを構築するのではなく、NOVAはターゲットの参照フレーム内での知覚、推定、制御を定式化する。 我々は,都市迷路や森林の小道,間欠的なGPS損失を伴う建物内の繰り返し遷移など,現実の挑戦的なシナリオにまたがってNOVAを検証する。
  論文  参考訳（メタデータ） (2025-06-23T14:28:30Z)
• SuperFlow++: Enhanced Spatiotemporal Consistency for Cross-Modal Data Pretraining [62.433137130087445]
  SuperFlow++は、連続するカメラペアを使用して事前トレーニングと下流タスクを統合する新しいフレームワークである。 SuperFlow++は様々なタスクや運転条件で最先端のメソッドよりも優れています。 強力な一般化性と計算効率により、SuperFlow++は、自動運転におけるデータ効率の高いLiDARベースの認識のための新しいベンチマークを確立する。
  論文  参考訳（メタデータ） (2025-03-25T17:59:57Z)
• Panoramic Panoptic Segmentation: Insights Into Surrounding Parsing for Mobile Agents via Unsupervised Contrastive Learning [93.6645991946674]
  我々はパノラマパノラマパノプティクスのセグメンテーションを最も総合的なシーン理解として紹介する。 完全な周囲の理解は、移動エージェントに最大限の情報を提供する。 本稿では,標準的なピンホール画像のモデルトレーニングを可能にし,学習した特徴を別のドメインに転送するフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-21T20:07:15Z)
• Panoramic Panoptic Segmentation: Towards Complete Surrounding Understanding via Unsupervised Contrastive Learning [97.37544023666833]
  我々は,パノラマパオプティックセグメンテーションを最も総合的なシーン理解として導入する。 完全な周囲の理解は、エージェントに最大限の情報を提供する。 標準ピンホール画像のモデルトレーニングを可能にし、学習した機能を異なるドメインに転送するフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-03-01T09:37:27Z)
• Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for Online Collision Avoidance [95.86944752753564]
  本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。 我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。 本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
  論文  参考訳（メタデータ） (2020-07-28T07:34:30Z)

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。