論文の概要: Safer Trajectory Planning with CBF-guided Diffusion Model for Unmanned Aerial Vehicles
- arxiv url: http://arxiv.org/abs/2604.17527v2
- Date: Sun, 26 Apr 2026 12:06:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-28 17:12:06.880444
- Title: Safer Trajectory Planning with CBF-guided Diffusion Model for Unmanned Aerial Vehicles
- Title（参考訳）: CBF誘導拡散モデルによる無人航空機のサファー軌道計画
- Authors: Peiwen Yang, Shiyu Bai, Weisong Wen, Yixin Gao, Jiahao Hu,
- Abstract要約: AeroTrajGenは、無人航空機の拡散に基づく軌道生成のための新しいフレームワークである。
制御障壁関数(CBF)誘導サンプリングを推論中に組み込んでおり、特にUAV用に設計されている。
CBF誘導サンプリングは非誘導拡散ベースラインに比べて94.7%の衝突速度を低下させることを示した。
- 参考スコア（独自算出の注目度）: 9.178828168133206
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Safe and agile trajectory planning is essential for autonomous systems, especially during complex aerobatic maneuvers. Motivated by the recent success of diffusion models in generative tasks, this paper introduces AeroTrajGen, a novel framework for diffusion-based trajectory generation that incorporates control barrier function (CBF)-guided sampling during inference, specifically designed for unmanned aerial vehicles (UAVs). The proposed CBF-guided sampling addresses two critical challenges: (1) mitigating the inherent unpredictability and potential safety violations of diffusion models, and (2) reducing reliance on extensively safety-verified training data. During the reverse diffusion process, CBF-based guidance ensures collision-free trajectories by seamlessly integrating safety constraint gradients with the diffusion model's score function. The model features an obstacle-aware diffusion transformer architecture with multi-modal conditioning, including trajectory history, obstacles, maneuver styles, and goal, enabling the generation of smooth, highly agile trajectories across 14 distinct aerobatic maneuvers. Trained on a dataset of 2,000 expert demonstrations, AeroTrajGen is rigorously evaluated in simulation under multi-obstacle environments. Simulation results demonstrate that CBF-guided sampling reduces collision rates by 94.7% compared to unguided diffusion baselines, while preserving trajectory agility and diversity. Our code is open-sourced at https://github.com/RoboticsPolyu/CBF-DMP.
- Abstract（参考訳）: 安全かつアジャイルな軌道計画は、特に複雑なエアロバティックな操作において、自律システムにとって不可欠である。
本稿では,制御障壁関数(CBF)誘導サンプリングを取り入れた拡散型軌道生成のための新しいフレームワークであるAeroTrajGenを紹介する。
提案したCBF誘導サンプリングは,(1)拡散モデル固有の予測不可能性と潜在的な安全性違反の軽減,(2)広範囲に検証されたトレーニングデータへの依存の軽減という,2つの重要な課題に対処する。
逆拡散過程において、CBFに基づく誘導は、安全制約勾配を拡散モデルのスコア関数とシームレスに統合することにより、衝突のない軌道を保証する。
モデルは、軌道履歴、障害物、操作スタイル、目標を含むマルチモーダル条件付き障害物対応拡散トランスフォーマーアーキテクチャを備えており、14の異なるエアロバティックな操作でスムーズで高アジャイルな軌道を生成することができる。
2,000のエキスパートデモのデータセットに基づいてトレーニングされたAeroTrajGenは、マルチ障害物環境下でのシミュレーションで厳格に評価されている。
シミュレーションの結果、CBF誘導サンプリングは、軌道の俊敏性と多様性を保ちながら、無誘導拡散ベースラインと比較して衝突速度を94.7%減少させることが示された。
私たちのコードはhttps://github.com/RoboticsPolyu/CBF-DMPでオープンソース化されています。
関連論文リスト
- RAD-2: Scaling Reinforcement Learning in a Generator-Discriminator Framework [49.531001563853984]
RAD-2はクローズドループ計画のための統一されたジェネレータ・ディスクリミネーターフレームワークである。
様々な軌道候補を生成する一方、RL最適化判別器は、これらの候補を長期的な運転品質に応じて再現する。
強い拡散ベースのプランナーに比べて衝突速度を56%削減する。
論文 参考訳（メタデータ） (2026-04-16T17:59:44Z) - PC-Diffuser: Path-Consistent Capsule CBF Safety Filtering for Diffusion-Based Trajectory Planner [15.914164951048614]
PC-Diffuserは、拡散計画のデノイングループに直接パス一貫性のあるバリア関数構造を組み込む安全強化フレームワークである。
車両形状をよりよく反映するカプセル距離バリア関数を用いて衝突リスクを評価する。
自転車の車体モデルの下で、識別されたウェイポイントを動的に実現可能な運動に変換する。
論文 参考訳（メタデータ） (2026-03-11T01:52:56Z) - Physics-infused Learning for Aerial Manipulator in Winds and Near-Wall Environments [3.895172208362693]
空中操作(AM)は、受動的観測から高高度およびその他の到達不能な環境での接触操作まで、UAV能力を拡大する。
本稿では,物理に基づくブレード要素モデルと学習に基づく残留力推定器を統合し,外乱補償のためのロータ速度割当戦略を組み込むことにより,統一的な制御フレームワークを実現する。
その結果, 従来の手法よりも外乱推定と軌道追跡精度が向上し, 困難な空力条件下でのロバストな壁面接触実行が可能となった。
論文 参考訳（メタデータ） (2026-03-08T22:08:15Z) - Multi-Agent Formation Navigation Using Diffusion-Based Trajectory Generation [0.0]
本稿では, 散在環境におけるリーダ・フォロワ生成制御のための拡散型プランナを提案する。
提案手法はスムーズな動きと低追尾誤差を生じ、ほとんどの障害は狭い障害物のない空間で発生している。
論文 参考訳（メタデータ） (2025-12-24T04:36:28Z) - Boosting Fidelity for Pre-Trained-Diffusion-Based Low-Light Image Enhancement via Condition Refinement [63.54516423266521]
事前学習拡散ベース(PTDB)法は、しばしばコンテンツ忠実さを犠牲にして知覚的リアリズムを高める。
本稿では,事前学習した拡散モデルにおける条件付けのための新しい最適化手法を提案する。
我々のアプローチはプラグアンドプレイであり、より効率的な制御を提供するために既存の拡散ネットワークにシームレスに統合される。
論文 参考訳（メタデータ） (2025-10-20T02:40:06Z) - Discrete-Guided Diffusion for Scalable and Safe Multi-Robot Motion Planning [56.240199425429445]
マルチロボット運動計画(MPMP)は、共有された連続作業空間で動作する複数のロボットのための軌道を生成する。
離散マルチエージェント探索(MAPF)法は,その拡張性から広く採用されているが,粗い離散化の軌道品質は高い。
本稿では、制約付き生成拡散モデルを用いた離散MAPF解法を導入することにより、2つのアプローチの限界に対処する。
論文 参考訳（メタデータ） (2025-08-27T17:59:36Z) - Multi-Agent Path Finding in Continuous Spaces with Projected Diffusion Models [57.45019514036948]
MAPF(Multi-Agent Path Finding)は、ロボット工学における基本的な問題である。
連続空間におけるMAPFの拡散モデルと制約付き最適化を統合する新しい手法を提案する。
論文 参考訳（メタデータ） (2024-12-23T21:27:19Z) - SafeDiffuser: Safe Planning with Diffusion Probabilistic Models [97.80042457099718]
拡散モデルに基づくアプローチは、データ駆動計画において有望であるが、安全保証はない。
我々は,拡散確率モデルが仕様を満たすことを保証するために,SafeDiffuserと呼ばれる新しい手法を提案する。
提案手法は,迷路経路の生成,足歩行ロボットの移動,空間操作など,安全な計画作業の一連のテストを行う。
論文 参考訳（メタデータ） (2023-05-31T19:38:12Z) - Inferring Traffic Models in Terminal Airspace from Flight Tracks and Procedures [39.89295870460643]
本稿では,レーダ監視データから収集したプロシージャデータとフライトトラックから可変性を学習可能な簡易確率モデルを提案する。
我々は、ガウス混合モデルから一連の偏差をサンプリングし、航空機の軌道を再構築することで合成軌道を生成する。
本研究は、ジョン・F・ケネディ国際空港の着地軌道と着地手順に関するモデルについて紹介する。
論文 参考訳（メタデータ） (2023-03-17T13:58:06Z) - Interpretable Stochastic Model Predictive Control using Distributional
Reinforced Estimation for Quadrotor Tracking Systems [0.8411385346896411]
本研究では,動的・複雑環境下での自律的四角形ナビゲーションのためのトラジェクトリトラッカーを提案する。
提案フレームワークは,未知の空力効果に対する分散強化学習推定器をモデル予測制御器に統合する。
我々は,未知かつ多様な空気力を用いて,累積追従誤差を少なくとも66%改善するシステムを実証した。
論文 参考訳（メタデータ） (2022-05-14T23:27:38Z)
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。