論文の概要: Asymptotically-Bounded 3D Frontier Exploration enhanced with Bayesian Information Gain

• arxiv url: http://arxiv.org/abs/2604.03008v1
• Date: Fri, 03 Apr 2026 12:52:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-06 17:20:24.473443
• Title: Asymptotically-Bounded 3D Frontier Exploration enhanced with Bayesian Information Gain
• Title（参考訳）: ベイズ情報ゲインによる漸近的境界3次元フロンティア探査
• Authors: John Lewis, Meysam Basiri, Pedro U. Lima,
• Abstract要約: 本稿では,予測可能な有界性能を有するOctoMapベースのフロンティア探索アルゴリズムを提案する。 我々のアプローチは、$mathcalO(|mathcalF|)$の複雑さを維持している。 我々はベイズ回帰器を統合して情報ゲインを推定し、未知のボクセルを明示的にカウントする必要性を回避する。
• 参考スコア（独自算出の注目度）: 3.746889836344766
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Robotic exploration in large-scale environments is computationally demanding due to the high overhead of processing extensive frontiers. This article presents an OctoMap-based frontier exploration algorithm with predictable, asymptotically bounded performance. Unlike conventional methods whose complexity scales with environment size, our approach maintains a complexity of $\mathcal{O}(|\mathcal{F}|)$, where $|\mathcal{F}|$ is the number of frontiers. This is achieved through strategic forward and inverse sensor modeling, which enables approximate yet efficient frontier detection and maintenance. To further enhance performance, we integrate a Bayesian regressor to estimate information gain, circumventing the need to explicitly count unknown voxels when prioritizing viewpoints. Simulations show the proposed method is more computationally efficient than the existing OctoMap-based methods and achieves computational efficiency comparable to baselines that are independent of OctoMap. Specifically, the Bayesian-enhanced framework achieves up to a $54\%$ improvement in total exploration time compared to standard deterministic frontier-based baselines across varying spatial scales, while guaranteeing task completion. Real-world experiments confirm the computational bounds as well as the effectiveness of the proposed enhancement.
• Abstract（参考訳）: 大規模環境におけるロボット探査は、広範囲なフロンティア処理のオーバーヘッドが高いため、計算的に要求される。 本稿では,予測可能,漸近的に有界な性能を有するOctoMapベースのフロンティア探索アルゴリズムを提案する。 環境サイズとともに複雑さがスケールする従来の方法とは異なり、我々の手法は$\mathcal{O}(|\mathcal{F}|)$の複雑さを維持しており、$|\mathcal{F}|$はフロンティアの数である。 これは戦略的前方および逆センサーモデリングによって実現され、近似的かつ効率的なフロンティア検出と保守を可能にする。 さらに性能を向上させるために,ベイズ回帰器を統合して情報ゲインを推定し,視点の優先順位付け時に未知のボクセルを明示的にカウントする必要性を回避する。 シミュレーションにより,提案手法は既存のOctoMap法よりも計算効率が高く,OctoMapとは独立なベースラインに匹敵する計算効率が得られた。 具体的には、ベイジアン強化フレームワークは、様々な空間スケールにわたる標準的な決定論的フロンティアベースラインと比較して、全探査時間を最大5,4\%改善し、タスク完了を保証している。 実世界の実験では、計算境界と提案された拡張の有効性が確認される。

関連論文リスト

• Informative Path Planning to Explore and Map Unknown Planetary Surfaces with Gaussian Processes [0.0]
  本研究ではスカラー変数分布のマッピングのための情報経路計画アルゴリズムを評価する。 従来のオープンループカバレッジ手法と情報理論のアプローチを比較した。 アルゴリズムのパフォーマンスは、パラボラ、タウンゼンド関数、月のクレーターの水和マップの3つの面でテストされている。
  論文  参考訳（メタデータ） (2025-03-20T18:10:13Z)
• Real-time Spatial-temporal Traversability Assessment via Feature-based Sparse Gaussian Process [15.756895046886406]
  本研究では,自律型ロボットが複雑な地形を移動できるようにすることを目的とした,空間的時間的トラバーサビリティ評価手法を提案する。 我々の手法は精度と計算効率の両面でSOTAよりも優れている。 本研究では,移動可能性マップと統合された自律ナビゲーションフレームワークを開発し,複雑な屋外環境下での微分駆動車による検証を行う。
  論文  参考訳（メタデータ） (2025-03-06T06:26:57Z)
• Efficient Learning of POMDPs with Known Observation Model in Average-Reward Setting [56.92178753201331]
  我々は,POMDPパラメータを信念に基づくポリシを用いて収集したサンプルから学習することのできる観測・認識スペクトル(OAS)推定手法を提案する。 提案するOAS-UCRLアルゴリズムに対して,OASプロシージャの整合性を示し,$mathcalO(sqrtT log(T)$の残差保証を証明した。
  論文  参考訳（メタデータ） (2024-10-02T08:46:34Z)
• FRAME: A Modular Framework for Autonomous Map Merging: Advancements in the Field [12.247977717070773]
  本稿では,エゴセントリックなマルチロボット探査における3次元点雲マップの融合について述べる。 提案手法は、最先端の場所認識と学習記述子を利用して、地図間の重複を効率的に検出する。 提案手法の有効性は,ロボット探査の複数のフィールドミッションを通じて実証された。
  論文  参考訳（メタデータ） (2024-04-27T20:54:15Z)
• Optimal Horizon-Free Reward-Free Exploration for Linear Mixture MDPs [60.40452803295326]
  線形マルコフ決定過程(MDP)を学習するための新たな報酬なしアルゴリズムを提案する。 我々のアルゴリズムの核心は、探索駆動の擬似回帰を用いた不確実性重み付き値目標回帰である。 我々のアルゴリズムは$tilde O(d2varepsilon-2)$ episodesを探索するだけで、$varepsilon$-optimal policyを見つけることができる。
  論文  参考訳（メタデータ） (2023-03-17T17:53:28Z)
• k-Means Maximum Entropy Exploration [55.81894038654918]
  余分な報酬を伴う連続空間での探索は、強化学習におけるオープンな問題である。 本研究では, 状態訪問分布のエントロピーに対する近似値の低界化に基づく人工好奇性アルゴリズムを提案する。 提案手法は,高次元連続空間における探索のためのベンチマークにおいて,計算効率と競合性の両方を示す。
  論文  参考訳（メタデータ） (2022-05-31T09:05:58Z)
• MADE: Exploration via Maximizing Deviation from Explored Regions [48.49228309729319]
  オンライン強化学習(RL)では、高次元環境における効率的な探索は依然として困難であり、報酬は少ない。 調査地域からの次の政策の逸脱を最大化することによる新たな探索手法を提案する。 提案手法は,最先端手法よりもサンプル効率を著しく向上させる。
  論文  参考訳（メタデータ） (2021-06-18T17:57:00Z)
• Provably Efficient Reward-Agnostic Navigation with Linear Value Iteration [143.43658264904863]
  我々は、最小二乗値スタイルのアルゴリズムで一般的に使用される、より標準的なベルマン誤差の概念の下での反復が、ほぼ最適値関数の学習において強力なPAC保証を提供することを示す。 そこで本稿では,任意の(線形な)報酬関数に対して,最適に近いポリシーを学習するためにどのように使用できるかを示す。
  論文  参考訳（メタデータ） (2020-08-18T04:34:21Z)
• Provably Efficient Safe Exploration via Primal-Dual Policy Optimization [105.7510838453122]
  制約付きマルコフ決定過程(CMDP)を用いた安全強化学習(SRL)問題について検討する。 本稿では,関数近似設定において,安全な探索を行うCMDPの効率の良いオンラインポリシー最適化アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-03-01T17:47:03Z)

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。