論文の概要: GNN-DIP: Neural Corridor Selection for Decomposition-Based Motion Planning

• arxiv url: http://arxiv.org/abs/2603.12361v1
• Date: Thu, 12 Mar 2026 18:27:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-21 18:33:56.735792
• Title: GNN-DIP: Neural Corridor Selection for Decomposition-Based Motion Planning
• Title（参考訳）: GNN-DIP:分解型運動計画のためのニューラルコリダ選択
• Authors: Peng Xie, Yanlinag Huang, Wenyuan Wu, Amr Alanwar,
• Abstract要約: 分解インフォームドプランナー(DIP)を用いたグラフニューラルネットワーク(GNN) GNNは、細胞隣接グラフ上のポータルスコアを予測し、ほぼ最適領域へのバイアス回廊探索を行う。 2Dでは、Constrained Delaunay Triangulation (CDT)とFunnelアルゴリズムは、廊下内では最も短い経路を生成する。 3Dでは、ポータル面サンプリングによるSlab凸分解は、ほぼ最適経路評価を提供する。
• 参考スコア（独自算出の注目度）: 3.917981172668051
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Motion planning through narrow passages remains a core challenge: sampling-based planners rarely place samples inside these narrow but critical regions, and even when samples land inside a passage, the straight-line connections between them run close to obstacle boundaries and are frequently rejected by collision checking. Decomposition-based planners resolve both issues by partitioning free space into convex cells -- every passage is captured exactly as a cell boundary, and any path within a cell is collision-free by construction. However, the number of candidate corridors through the cell graph grows combinatorially with environment complexity, creating a bottleneck in corridor selection. We present GNN-DIP, a framework that addresses this by integrating a Graph Neural Network (GNN) with a two-phase Decomposition-Informed Planner (DIP). The GNN predicts portal scores on the cell adjacency graph to bias corridor search toward near-optimal regions while preserving completeness. In 2D, Constrained Delaunay Triangulation (CDT) with the Funnel algorithm yields exact shortest paths within corridors; in 3D, Slab convex decomposition with portal-face sampling provides near-optimal path evaluation. Benchmarks on 2D narrow-passage scenarios, 3D bottleneck environments with up to 246 obstacles, and dynamic 2D settings show that GNN-DIP achieves 99--100% success rates with 2--280 times speedup over sampling-based baselines.
• Abstract（参考訳）: サンプリングベースのプランナーは、これらの狭いが重要な領域にサンプルを配置することはめったになく、もしサンプルが通路内に着陸しても、それらの間の直線接続は障害物境界に近づき、衝突チェックによって頻繁に拒否される。 分解ベースのプランナーは、自由空間を凸細胞に分割することで、両方の問題を解決する。 しかし、細胞グラフを通した候補回廊の数は、環境の複雑さと組み合わせて増加し、回廊選択のボトルネックとなる。 本稿では、グラフニューラルネットワーク(GNN)と2相分解インフォームドプランナー(DIP)を統合することで、この問題に対処するフレームワークであるGNN-DIPを提案する。 GNNは、セル隣接グラフ上のポータルスコアを予測し、完全性を保ちながら、近最適領域へのバイアス回廊探索を行う。 In 2D, Constrained Delaunay Triangulation (CDT) with the Funnel algorithm yields exact shortest paths within corridors; in 3D, Slab convex decomposition with portal-face sample, provides near-optimal path evaluation。 2D狭帯域シナリオ、最大246の障害物を持つ3Dボトルネック環境、動的2D設定のベンチマークでは、GNN-DIPはサンプリングベースベースラインよりも2～280倍の速度で99-100%の成功率を達成した。

関連論文リスト

• Tail-Aware Post-Training Quantization for 3D Geometry Models [58.79500829118265]
  ポストトレーニング量子化(PTQ)は、再トレーニングなしに効率的な推論を可能にする。 PTQは複雑な特徴分布と禁止キャリブレーションオーバーヘッドのために、3Dモデルに効果的に転送できない。 3次元幾何学学習のためのTail-Aware Post-Training Quantization PipelineであるTAPTQを提案する。
  論文  参考訳（メタデータ） (2026-02-02T07:21:15Z)
• DELTAv2: Accelerating Dense 3D Tracking [79.63990337419514]
  本稿では,ビデオ中の高密度3次元点追跡を高速化するための新しいアルゴリズムを提案する。 極小点の小さな部分集合で追跡を開始し、トラックされた軌道の集合を段階的に拡大する粗大な戦略を導入する。 新たに追加されたトラジェクトリは学習可能なモジュールを使用しており、トラッキングネットワークとともにエンドツーエンドでトレーニングされている。
  論文  参考訳（メタデータ） (2025-08-02T03:15:47Z)
• COB-GS: Clear Object Boundaries in 3DGS Segmentation Based on Boundary-Adaptive Gaussian Splitting [67.03992455145325]
  3D Gaussian Splatting(3DGS)に基づく3Dセグメンテーションは、オブジェクトの境界を正確に記述するのに苦労する。 セグメンテーション精度の向上を目的とした3DGS(COB-GS)のためのクリアオブジェクト境界を導入する。 意味指導には境界適応型ガウス分割法を導入する。 視覚的最適化のために、3DGSシーンの劣化したテクスチャを補正する。
  論文  参考訳（メタデータ） (2025-03-25T08:31:43Z)
• SAGD: Boundary-Enhanced Segment Anything in 3D Gaussian via Gaussian Decomposition [66.56357905500512]
  3Dガウススプラッティングは、新しいビュー合成のための代替の3D表現として登場した。 SAGDは3D-GSのための概念的にシンプルで効果的な境界拡張パイプラインである。 提案手法は粗い境界問題なく高品質な3Dセグメンテーションを実現し,他のシーン編集作業にも容易に適用できる。
  論文  参考訳（メタデータ） (2024-01-31T14:19:03Z)
• TransUPR: A Transformer-based Uncertain Point Refiner for LiDAR Point Cloud Semantic Segmentation [6.587305905804226]
  本稿ではトランスUPR(Transformer-based certain point refiner)を提案する。 我々のTransUPRは最先端のパフォーマンス、すなわちSemantic KITTIベンチマーク上の68.2%のIntersection over Union(mIoU)を達成する。
  論文  参考訳（メタデータ） (2023-02-16T21:38:36Z)
• Reducing Collision Checking for Sampling-Based Motion Planning Using Graph Neural Networks [10.698553177585973]
  本研究では,衝突チェックを減らし,動作計画の高速化を図るための新しい学習手法を提案する。 経路探索と経路平滑化を行うグラフニューラルネットワーク(GNN)を訓練する。 実験の結果,学習したコンポーネントは衝突チェックを著しく低減し,全体の計画効率を向上できることがわかった。
  論文  参考訳（メタデータ） (2022-10-17T09:02:04Z)
• Graph R-CNN: Towards Accurate 3D Object Detection with Semantic-Decorated Local Graph [26.226885108862735]
  2段検出器は3次元物体検出で大いに人気を博している。 ほとんどの2段式3D検出器は、2段目のRoI特徴抽出にグリッドポイント、ボクセルグリッド、またはサンプルキーポイントを利用する。 本稿ではこの問題を3つの側面で解決する。
  論文  参考訳（メタデータ） (2022-08-07T02:56:56Z)
• Fast and Scalable Optimal Transport for Brain Tractograms [4.610968512889579]
  線形メモリフットプリント上での正規化最適輸送問題を解くための新しいマルチスケールアルゴリズムを提案する。 本手法は, ファイバー束やトラック密度マップとしてモデル化された脳幹図に対して有効性を示す。
  論文  参考訳（メタデータ） (2021-07-05T13:28:41Z)
• ComboNet: Combined 2D & 3D Architecture for Aorta Segmentation [0.0]
  フル解像度でトレーニングすれば、ディープラーニングによる3Dセグメンテーションが、最高の精度を達成するための理想的な方法だ。 3Dセグメンテーションアプリケーションのほとんどは、完全な解像度ではなくサブサンプル入力を処理する。 Combonetは3つのサブネットワーク構造でエンドツーエンドで設計されている。
  論文  参考訳（メタデータ） (2020-06-09T15:02:55Z)

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。