論文の概要: SANDO: Safe Autonomous Trajectory Planning for Dynamic Unknown Environments

• arxiv url: http://arxiv.org/abs/2604.07599v1
• Date: Wed, 08 Apr 2026 21:15:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-10 18:34:05.564089
• Title: SANDO: Safe Autonomous Trajectory Planning for Dynamic Unknown Environments
• Title（参考訳）: SANDO: 動的未知環境のための安全な自律軌道計画
• Authors: Kota Kondo, Jesús Tordesillas, Jonathan P. How,
• Abstract要約: SANDOは3次元動的未知環境のための安全な軌道プランナーである。 既存のソフト制約プランナーは高速であるが、衝突のない経路を保証できない。 SANDOはこのトレードオフに3つのコントリビューションを通じて対処する。
• 参考スコア（独自算出の注目度）: 15.921611523402747
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: SANDO is a safe trajectory planner for 3D dynamic unknown environments, where obstacle locations and motions are unknown a priori and a collision-free plan can become unsafe at any moment, requiring fast replanning. Existing soft-constraint planners are fast but cannot guarantee collision-free paths, while hard-constraint methods ensure safety at the cost of longer computation. SANDO addresses this trade-off through three contributions. First, a heat map-based A* global planner steers paths away from high-risk regions using soft costs, and a spatiotemporal safe flight corridor (STSFC) generator produces time-layered polytopes that inflate obstacles only by their worst-case reachable set at each time layer, rather than by the worst case over the entire horizon. Second, trajectory optimization is formulated as a Mixed-Integer Quadratic Program (MIQP) with hard collision-avoidance constraints, and a variable elimination technique reduces the number of decision variables, enabling fast computation. Third, a formal safety analysis establishes collision-free guarantees under explicit velocity-bound and estimation-error assumptions. Ablation studies show that variable elimination yields up to 7.4x speedup in optimization time, and that STSFCs are critical for feasibility in dense dynamic environments. Benchmark simulations against state-of-the-art methods across standardized static benchmarks, obstacle-rich static forests, and dynamic environments show that SANDO consistently achieves the highest success rate with no constraint violations across all difficulty levels; perception-only experiments without ground truth obstacle information confirm robust performance under realistic sensing. Hardware experiments on a UAV with fully onboard planning, perception, and localization demonstrate six safe flights in static environments and ten safe flights among dynamic obstacles.
• Abstract（参考訳）: SANDOは、3Dのダイナミックな未知環境のための安全な軌道プランナーであり、障害物の位置や動きが未知であり、衝突のない計画はいつでも安全ではなく、高速な再計画を必要とする。 既存のソフト制約プランナーは高速であるが、衝突のない経路は保証できない。 SANDOはこのトレードオフに3つのコントリビューションを通じて対処する。 第一に、熱マップをベースとしたA*グローバルプランナーは、ソフトコストを用いて高リスク地域から離れ、時空間安全飛行回廊(STSFC)ジェネレータは、地平線上の最悪のケースではなく、各時間層で最悪の到達可能セットによってのみ障害物を膨らませる時間層ポリトップを生成する。 第二に、トラジェクトリ最適化は、衝突回避制約のあるMIQP(Mixed-Integer Quadratic Program)として定式化され、変数除去技術は、決定変数の数を減らし、高速な計算を可能にする。 第三に、公式な安全分析は、明示的な速度境界と推定エラーの仮定の下で衝突のない保証を確立する。 アブレーション研究により、変数の除去は最適化時に最大7.4倍のスピードアップをもたらすことが示され、STSFCは密度の高い動的環境において実現可能であることが示されている。 標準化された静的ベンチマーク、障害物リッチな静的フォレスト、動的環境を含む最先端の手法に対するベンチマークシミュレーションにより、SANDOはあらゆる難易度に制約のない最高成功率を一貫して達成している。 完全に搭載された計画、認識、ローカライゼーションを備えたUAVのハードウェア実験では、静的な環境での6つの安全な飛行と、ダイナミックな障害物の中で10の安全な飛行が示されている。

関連論文リスト

• BarrierSteer: LLM Safety via Learning Barrier Steering [83.12893815611052]
  BarrierSteerは、学習した非線形安全性制約を直接モデルの潜在表現空間に埋め込むことで、安全性を形式化する新しいフレームワークである。 BarrierSteerは、敵の成功率を大幅に低下させ、安全でない世代を減少させ、既存の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2026-02-23T18:19:46Z)
• RA-Nav: A Risk-Aware Navigation System Based on Semantic Segmentation for Aerial Robots in Unpredictable Environments [7.128475765820446]
  既存の空飛ぶロボットナビゲーションシステムは、静的な障害物が突然動くと適応しない。 セマンティックセグメンテーションに基づくリスク対応ナビゲーションフレームワークであるRA-Navを提案する。 RA-Navは、突然の障害状態遷移シナリオにおいて、ベースラインよりも高い成功率を達成する。
  論文  参考訳（メタデータ） (2026-02-19T16:26:43Z)
• UEREBot: Learning Safe Quadrupedal Locomotion under Unstructured Environments and High-Speed Dynamic Obstacles [16.149422197272937]
  UEREBotは階層的なフレームワークで、スロープランニングと即時回帰回避を分離する。 我々はIsaac LabのシミュレーションでUEREBotを評価し,それを車載認識機能を備えたUnitree Go2上にデプロイした。
  論文  参考訳（メタデータ） (2026-02-07T05:09:48Z)
• SPOT: Spatio-Temporal Obstacle-free Trajectory Planning for UAVs in an Unknown Dynamic Environment [1.9181913148426697]
  我々は、視覚に基づくセーフフライト・コリドール(SFC)世代と統合した4次元プランナーを開発した。 シミュレーションおよび実世界のハードウェア実験において,本手法を広範囲に検証し,最先端の手法と比較した。
  論文  参考訳（メタデータ） (2026-02-01T12:24:12Z)
• 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)
• 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)
• ReGentS: Real-World Safety-Critical Driving Scenario Generation Made Stable [88.08120417169971]
  機械学習に基づく自律運転システムは、現実世界のデータでは稀な安全クリティカルなシナリオで課題に直面していることが多い。 この研究は、軌道最適化によって複雑な現実世界の通常のシナリオを変更することによって、安全クリティカルな運転シナリオを生成することを検討する。 提案手法は、頑健なプランナーの訓練には役に立たない非現実的な発散軌道と避けられない衝突シナリオに対処する。
  論文  参考訳（メタデータ） (2024-09-12T08:26:33Z)
• Enforcing Hard Constraints with Soft Barriers: Safe Reinforcement Learning in Unknown Stochastic Environments [84.3830478851369]
  本研究では,環境を協調的に学習し,制御ポリシーを最適化する安全な強化学習手法を提案する。 本手法は, 安全性の制約を効果的に適用し, シミュレーションにより測定したシステム安全率においてCMDPベースのベースライン法を著しく上回っている。
  論文  参考訳（メタデータ） (2022-09-29T20:49:25Z)
• IA Planner: Motion Planning Using Instantaneous Analysis for Autonomous Vehicle in the Dense Dynamic Scenarios on Highways [1.6791232288938656]
  密集したダイナミックシーンでは、軌道計画の失敗や他の人による切り込みが容易である。 本稿では,衝突関係のみを同時に解析する瞬時解析モデルを提案する。 実験結果から, 本手法は, 高密度な動的シナリオにおいて, 安全快適かつ車線変化軌道を計画できることが示された。
  論文  参考訳（メタデータ） (2021-03-19T17:10:50Z)
• FASTER: Fast and Safe Trajectory Planner for Navigation in Unknown Environments [33.95195103092702]
  本研究は、速度を犠牲にすることなく安全を確保するためのFASTER(Fast and Safe Trajectory Planner)を提案する。 FASTERは、ローカルプランナーが自由空間と未知空間の両方で最適化できるようにすることにより、高速な軌道を得る。 FASTERはシミュレーションや実際のハードウェアで広くテストされており、未知の乱雑な環境での飛行速度は7.8m/sである。
  論文  参考訳（メタデータ） (2020-01-09T23:50:58Z)

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。