論文の概要: Weakly-supervised Learning for Physics-informed Neural Motion Planning via Sparse Roadmap
- arxiv url: http://arxiv.org/abs/2604.13204v1
- Date: Tue, 14 Apr 2026 18:26:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-16 20:38:32.251622
- Title: Weakly-supervised Learning for Physics-informed Neural Motion Planning via Sparse Roadmap
- Title（参考訳）: Sparse Roadmapを用いた物理インフォームドニューラルモーションプランニングのための弱教師付き学習
- Authors: Ruiqi Ni, Yuchen Liu, Ahmed H. Qureshi,
- Abstract要約: 本稿では、スパースロードマップからの弱監督と物理インフォームドPDE正規化を組み合わせた弱監督フレームワークを提案する。
18ギブソン環境と実際のロボットプラットフォームの実験により、H-NTFieldsは従来の物理インフォームド法よりもロバスト性を大幅に向上することが示された。
- 参考スコア（独自算出の注目度）: 26.000609838439754
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The motion planning problem requires finding a collision-free path between start and goal configurations in high-dimensional, cluttered spaces. Recent learning-based methods offer promising solutions, with self-supervised physics-informed approaches such as Neural Time Fields (NTFields) solving the Eikonal equation to learn value functions without expert demonstrations. However, existing physics-informed methods struggle to scale in complex, multi-room environments, where simply increasing the number of samples cannot resolve local minima or guarantee global consistency. We propose Hierarchical Neural Time Fields (H-NTFields), a weakly-supervised framework that combines weak supervision from sparse roadmaps with physics-informed PDE regularization. The roadmap provides global topological anchors through upper and lower bounds on travel times, while PDE losses enforce local geometric fidelity and obstacle-aware propagation. Experiments on 18 Gibson environments and real robotic platforms show that H-NTFields substantially improves robustness over prior physics-informed methods, while enabling fast amortized inference through a continuous value representation.
- Abstract（参考訳）: 運動計画問題は、高次元の散らばった空間において、スタートとゴールの設定の間の衝突のない経路を見つける必要がある。
近年の学習ベースの手法は、ニューラルネットワーク(NTFields)のような自己教師型物理インフォームドアプローチを用いて、専門家によるデモンストレーションなしで価値関数を学習する、有望なソリューションを提供する。
しかし、既存の物理インフォームド手法は複雑なマルチルーム環境ではスケールが困難であり、サンプルの数を増やすだけで局所的なミニマを解消したり、グローバルな一貫性を保証できない。
本稿では、スパースロードマップからの弱い監督と物理インフォームドPDE正規化を組み合わせた弱教師付きフレームワークである階層型ニューラルネットワーク時間場(H-NTFields)を提案する。
PDEの損失は局所的な幾何学的忠実度と障害物対応の伝播を強制する。
18ギブソン環境と実際のロボットプラットフォームにおける実験により、H-NTFieldsは、連続した値表現による高速な償却推論を可能にしながら、従来の物理学インフォームド法よりもロバスト性を大幅に向上することが示された。
関連論文リスト
- Physics-Informed Image Restoration via Progressive PDE Integration [11.13952011916121]
物理インフォームドPDEダイナミクスを最先端の復元アーキテクチャに統合するトレーニングフレームワークを提案する。
提案手法は,大域的空間モデリングを原則として実現しつつ,運動ぼけの方向流特性を自然に把握する。
我々のPDE強化デブロアリングモデルは、最小限のオーバーヘッドで優れた復元品質を実現し、GMACの推測に1%程度しか加えていない。
論文 参考訳（メタデータ） (2025-11-09T06:10:20Z) - Forecasting Continuous Non-Conservative Dynamical Systems in SO(3) [51.510040541600176]
コンピュータビジョンにおける移動物体の回転をモデル化するための新しい手法を提案する。
我々のアプローチは、入力ノイズに対して頑健でありながら、エネルギーと運動量保存に非依存である。
トレーニング中の雑音状態から物体のダイナミクスを近似させることで、シミュレーションや様々な現実世界の設定において頑健な外挿能力が得られる。
論文 参考訳（メタデータ） (2025-08-11T09:03:10Z) - 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) - Physics-informed Temporal Difference Metric Learning for Robot Motion Planning [17.503562318576417]
専門家による実演を必要とせず,行動計画問題に対処するために自己指導型学習法が登場した。
本稿では,アイコン方程式をより正確に解くための,自己教師付き時間差計量学習手法を提案する。
本手法は, 時間差学習を用いて局所最小値の急激な極小化を回避し, 有限領域上でのベルマンの最適性の原理を強制する。
論文 参考訳（メタデータ） (2025-05-09T00:02:22Z) - Physics-Informed Latent Neural Operator for Real-time Predictions of time-dependent parametric PDEs [0.0]
ディープ・オペレーター・ネットワーク(DeepONet)は、偏微分方程式(PDE)によって支配される系の代理モデルとして約束されている。
本研究では,物理を直接学習プロセスに統合する物理インフォームトニューラルネットワークフレームワークPI-Latent-NOを提案する。
論文 参考訳（メタデータ） (2025-01-14T20:38:30Z) - Conservation-informed Graph Learning for Spatiotemporal Dynamics Prediction [84.26340606752763]
本稿では,保護インフォームドGNN(CiGNN)について紹介する。
このネットワークは、保守的かつ非保守的な情報が、潜時的行進戦略によって多次元空間を通過する対称性による一般的な対称性保存則に従うように設計されている。
結果は,CiGNNが顕著なベースライン精度と一般化性を示し,様々な時間的ダイナミクスの予測のための学習に容易に適用可能であることを示した。
論文 参考訳（メタデータ） (2024-12-30T13:55:59Z) - Physics-Informed Learning of Characteristic Trajectories for Smoke Reconstruction [17.634226193457277]
既存の物理インフォームドニューラルネットワークは、短期的な物理の制約を強調しており、長期保存の適切な保存は調査を控えている。
ラグランジアン流体軌道を暗黙的にモデル化するためにユーレリアニューラル場を利用した新しい表現であるニューラル特性軌道場を導入する。
この表現に基づいて物理インフォームド・トラジェクトリ・ラーニングとNeRFに基づくシーン再構成への統合を提案する。
論文 参考訳（メタデータ） (2024-07-12T20:19:41Z) - NTFields: Neural Time Fields for Physics-Informed Robot Motion Planning [1.9798034349981157]
乱雑なシナリオにおけるロボット動作計画のためのニューラルタイムフィールド(NTFields)を提案する。
本フレームワークは,Eykonal Equationと呼ばれる非線形一階PDEから得られる経路解を見つけるために,連続到着時間を生成する波動伝搬モデルを表す。
ギブソン・データセットを含む様々な散在した3次元環境において本手法の評価を行い,4-DOFおよび6-DOFロボットマニピュレータの動作計画問題を解く能力を実証した。
論文 参考訳（メタデータ） (2022-09-30T22:34:54Z)
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。