論文の概要: Momentum-constrained Hybrid Heuristic Trajectory Optimization Framework with Residual-enhanced DRL for Visually Impaired Scenarios

• arxiv url: http://arxiv.org/abs/2604.14986v1
• Date: Thu, 16 Apr 2026 13:16:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-17 21:29:31.912941
• Title: Momentum-constrained Hybrid Heuristic Trajectory Optimization Framework with Residual-enhanced DRL for Visually Impaired Scenarios
• Title（参考訳）: 視覚障害者のための残像強調DRLを用いたモーメント制約ハイブリッドヒューリスティック軌道最適化フレームワーク
• Authors: Yuting Zeng, Zhiwen Zheng, Jingya Wang, You Zhou, JiaLing Xiao, Yongbin Yu, Manping Fan, Bo Gong, Liyong Ren,
• Abstract要約: 本稿では,Momentum-Constrained Hybrid Heuristic Trajectory Optimization Framework (MHTOF)を提案する。 快適性と安全性の両立を図るため,Huristic Trajectory Smpling Cluster (HTSC) とMomentum-Constrained Trajectory Optimization (MTO) を設計した。 複雑な動的シナリオでは、MHHTOFはリスクを低減した安定した速度と加速度曲線を示す。
• 参考スコア（独自算出の注目度）: 20.048701695146963
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Safe and efficient assistive planning for visually impaired scenarios remains challenging, since existing methods struggle with multi-objective optimization, generalization, and interpretability. In response, this paper proposes a Momentum-Constrained Hybrid Heuristic Trajectory Optimization Framework (MHHTOF). To balance multiple objectives of comfort and safety, the framework designs a Heuristic Trajectory Sampling Cluster (HTSC) with a Momentum-Constrained Trajectory Optimization (MTO), which suppresses abrupt velocity and acceleration changes. In addition, a novel residual-enhanced deep reinforcement learning (DRL) module refines candidate trajectories, advancing temporal modeling and policy generalization. Finally, a dual-stage cost modeling mechanism (DCMM) is introduced to regulate optimization, where costs in the Frenet space ensure consistency, and reward-driven adaptive weights in the Cartesian space integrate user preferences for interpretability and user-centric decision-making. Experimental results show that the proposed framework converges in nearly half the iterations of baselines and achieves lower and more stable costs. In complex dynamic scenarios, MHHTOF further demonstrates stable velocity and acceleration curves with reduced risk, confirming its advantages in robustness, safety, and efficiency.
• Abstract（参考訳）: 既存の手法は多目的最適化、一般化、解釈可能性に苦慮しているため、視覚障害のあるシナリオに対する安全かつ効率的な補助計画は依然として困難である。 そこで本研究では,MHHTOF(Momentum-Constrained Hybrid Heuristic Trajectory Optimization Framework)を提案する。 快適性と安全性の両立を図るため,HTSC (Huristic Trajectory Smpling Cluster) とMTO (Momentum-Constrained Trajectory Optimization) を設計した。 さらに、新しい残差強化学習(DRL)モジュールは、候補軌道を洗練し、時間的モデリングとポリシーの一般化を進めた。 最後に、Frenet空間のコストが整合性を確保し、Cartesian空間の報酬駆動適応重み付けが解釈可能性とユーザ中心の意思決定のためのユーザの嗜好を統合するという最適化を規制するために、二重ステージコストモデリング機構(DCMM)を導入している。 実験の結果,提案フレームワークはベースラインのほぼ半分のイテレーションで収束し,より低コストでより安定したコストを実現することがわかった。 複雑な動的シナリオでは、MHHTOFはリスクを低減し、ロバスト性、安全性、効率性の利点を裏付ける安定した速度と加速度曲線をさらに示す。

関連論文リスト

• HAD: Combining Hierarchical Diffusion with Metric-Decoupled RL for End-to-End Driving [51.268878540511054]
  我々は階層的拡散政策を備えたエンドツーエンドの計画フレームワークであるHADを提案する。 我々は,NAVSIMとHUGSIMの両方でHADが新たな最先端性能を実現することを示す。
  論文  参考訳（メタデータ） (2026-04-04T04:12:47Z)
• Taming the Instability: A Robust Second-Order Optimizer for Federated Learning over Non-IID Data [77.19117648492104]
  We present Federated Robust Curvature Optimization (FedRCO), a novel second-order optimization framework designed to improve convergence speed and reduce communication cost。 FedRCOは、効率的な近似曲率と証明可能な安定性メカニズムを統合することで、これらの課題に対処する。 我々は,FedRCOが,最先端の1次法と2次法のどちらよりも高い精度と高速な収束を実現しつつ,多種多様な非IIDシナリオに対して優れたロバスト性を実現することを示す。
  論文  参考訳（メタデータ） (2026-03-30T11:37:46Z)
• Robust Co-design Optimisation for Agile Fixed-Wing UAVs [0.359986669039879]
  自律システムの共同設計は、シーケンシャルなアプローチの強力な代替手段として現れてきた。 我々は、アジャイルの固定翼UAVのための堅牢な共同設計フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-11T15:56:14Z)
• OmniVL-Guard: Towards Unified Vision-Language Forgery Detection and Grounding via Balanced RL [63.388513841293616]
  既存の偽造検出手法は、現実世界の誤報に多いインターリーブされたテキスト、画像、ビデオを扱うのに失敗する。 このギャップを埋めるため,本論文では,オムニバス・ビジョン言語による偽造検出と接地のための統一フレームワークの開発を目標としている。 我々は、OmniVL-Guardという、オムニバス視覚言語による偽造検出と接地のためのバランスの取れた強化学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-11T09:41:36Z)
• Adaptive Momentum and Nonlinear Damping for Neural Network Training [1.0149624140985478]
  本稿では,各モデルパラメータの運動エネルギーによって制御される個別の適応運動量係数を導入する,大規模最適化のための連続時間スキームを提案する。 適応摩擦は構造力学からの抑制機構である立方減衰と関係があることを実証する。
  論文  参考訳（メタデータ） (2026-01-30T21:35:55Z)
• MAESTRO: Meta-learning Adaptive Estimation of Scalarization Trade-offs for Reward Optimization [56.074760766965085]
  大規模言語モデル(LLM)の整合性のための効率的なパラダイムとしてグループ相対政策最適化が登場している。 我々は,報酬スカラー化を動的潜在ポリシーとして扱い,モデルの終端隠蔽状態を意味的ボトルネックとして活用するMAESTROを提案する。 本稿では,軽量コンダクタネットワークがメタリワード信号としてグループ相対的優位性を生かしてポリシと共進化する,双方向最適化フレームワークにおけるコンテキスト的帯域幅問題としてこれを定式化する。
  論文  参考訳（メタデータ） (2026-01-12T05:02:48Z)
• Sycophancy Mitigation Through Reinforcement Learning with Uncertainty-Aware Adaptive Reasoning Trajectories [58.988535279557546]
  適応推論トラジェクトリを用いたtextbf sycophancy Mitigation を提案する。 SMARTは,分布外の入力に対して強い性能を維持しながら,サイコファンティクスの挙動を著しく低下させることを示した。
  論文  参考訳（メタデータ） (2025-09-20T17:09:14Z)
• Momentum-constrained Hybrid Heuristic Trajectory Optimization Framework with Residual-enhanced DRL for Visually Impaired Scenarios [4.735413508037063]
  本稿では,視覚障害者の補助ナビゲーションに適した運動量制約付きハイブリッド軌道最適化フレームワーク(MHHTOF)を提案する。 残留深部強化学習(DRL)による軌道サンプリング生成、最適化、評価の統合 実験の結果,提案したLSTM-BResPPOは,PPOが要求する約半数のトレーニングにおいて,安定な政策性能を実現することができることがわかった。
  論文  参考訳（メタデータ） (2025-09-19T04:33:39Z)
• Multi-Objective Communication Optimization for Temporal Continuity in Dynamic Vehicular Networks [7.951541004150428]
  Vehicular Ad-hoc Networks (VANETs) は、高モビリティ、時間変化のあるチャネル条件、頻繁なネットワークディスラプションを特徴とする、非常にダイナミックな環境で運用されている。 本稿では,VANET のための時間対応多目的ロバスト最適化フレームワークを提案する。 通信遅延、スループット、信頼性を同時に最適化し、急速に変化する条件下で安定した一貫した通信経路を確保する。
  論文  参考訳（メタデータ） (2024-11-30T08:55:15Z)
• Towards Robust Spacecraft Trajectory Optimization via Transformers [17.073280827888226]
  我々は,非最適制御問題をリアルタイムに解くための自律生成モデルを開発した。 我々はARTの能力を拡張し、確率制約のある最適制御問題に対処する。 この作業は、宇宙船のような安全クリティカルな自律システムにAI駆動のソリューションを確実に展開するための最初のステップである。
  論文  参考訳（メタデータ） (2024-10-08T00:58:42Z)

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。