論文の概要: A Hamilton-Jacobi Reachability-Guided Search Framework for Efficient and Safe Indoor Planar Robot Navigation

• arxiv url: http://arxiv.org/abs/2604.17679v1
• Date: Mon, 20 Apr 2026 00:30:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.634697
• Title: A Hamilton-Jacobi Reachability-Guided Search Framework for Efficient and Safe Indoor Planar Robot Navigation
• Title（参考訳）: 効率よく安全な屋内平面ロボットナビゲーションのためのハミルトン・ヤコビ到達性誘導型探索フレームワーク
• Authors: Hanyang Hu, Cameron Siu, Mo Chen,
• Abstract要約: 本稿では、オフラインのハミルトン・ヤコビ到達可能性とオンライングラフ検索を組み合わせ、両者の相補的な強みを利用する。 同時に、グラフ検索は、到達可能性に基づく推論をオンライン計画に組み込むことを可能にする。 提案手法は,計画の効率化とナビゲーションの安全性の観点から,ベースライン手法を一貫して上回っている。
• 参考スコア（独自算出の注目度）: 2.6268889952410617
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Autonomous navigation requires planning to reach a goal safely and efficiently in complex and potentially dynamic environments. Graph search-based algorithms are widely adopted due to their generality and theoretical guarantees when equipped with admissible heuristics. However, the computational complexity of graph search grows rapidly with the dimensionality of the search space, often making real-time planning in dynamic environments intractable. In this paper, we combine offline Hamilton-Jacobi (HJ) reachability with online graph search to leverage the complementary strengths of both. Precomputed HJ value functions, used as informative heuristics and proactive safety constraints, amortize online computation of the graph search process. At the same time, graph search enables reachability-based reasoning to be incorporated into online planning, overcoming the long-standing challenge of HJ reachability requiring full knowledge of the environment. Extensive simulation studies and real-world experiments demonstrate that the proposed approach consistently outperforms baseline methods in terms of planning efficiency and navigation safety, in environments with and without human presence.
• Abstract（参考訳）: 自律的なナビゲーションは、複雑で潜在的にダイナミックな環境で安全に効率的にゴールに到達する計画である。 グラフ探索に基づくアルゴリズムは、許容的ヒューリスティックスを備えた場合、その一般化と理論的保証により広く採用されている。 しかし、グラフ探索の計算複雑性は、探索空間の次元によって急速に増大し、しばしば動的環境におけるリアルタイム計画が難解になる。 本稿では,オフラインのハミルトン・ヤコビ(HJ)リーチビリティとオンライングラフ検索を組み合わせることで,両者の相補的強みを活用する。 情報ヒューリスティックや積極的な安全制約として使用される事前計算されたHJ値関数は、グラフ検索プロセスのオンライン計算を償却する。 同時に、グラフ検索はリーチビリティに基づく推論をオンライン計画に組み込むことを可能にし、環境の完全な知識を必要とするHJリーチビリティの長年の課題を克服する。 大規模なシミュレーション研究と実世界の実験により、提案手法は人的存在と無関係の環境において、計画効率と航法安全性において、ベースライン手法を一貫して上回っていることが実証された。

関連論文リスト

• A Learning Method with Gap-Aware Generation for Heterogeneous DAG Scheduling [6.655206888698601]
  異種有向非巡回グラフ(DAG)のためのエンドツーエンド強化学習フレームワークを提案する。 WeCANはタスクプール互換性係数と生成誘起最適性ギャップに対処する。 グラフと実世界のTPC-H DAGの実験は、古典に匹敵する推論時間で、強いベースラインよりも改善されたメイスパンを示す。
  論文  参考訳（メタデータ） (2026-03-24T14:16:08Z)
• Hybrid Motion Planning with Deep Reinforcement Learning for Mobile Robot Navigation [0.0]
  深部強化学習(HMP-DRL)によるハイブリッド運動計画 状態空間と報酬関数の両方に符号化されたチェックポイントのシーケンスを通じて、局所DRLポリシーに統合されたパスを生成するグラフベースのグローバルプランナを提案する。 社会的コンプライアンスを確保するため、地域プランナーは、周辺エージェントのセマンティックタイプに基づいて、安全マージンと罰則を動的に調整するエンティティ対応報酬構造を採用する。
  論文  参考訳（メタデータ） (2025-12-31T05:58:57Z)
• The Emergence of Deep Reinforcement Learning for Path Planning [27.08547928141541]
  深部強化学習(DRL)は、自律エージェントが最適なナビゲーション戦略を学べる強力な方法として登場した。 本調査では、従来のアプローチの概要と、経路計画タスクに適用されたDRLの最近の進歩について概観する。 調査は、主要なオープンな課題を特定し、将来的な研究の道筋を概説することで締めくくっている。
  論文  参考訳（メタデータ） (2025-07-21T10:21:42Z)
• SimpleDeepSearcher: Deep Information Seeking via Web-Powered Reasoning Trajectory Synthesis [94.33978856270268]
  Retrieval-augmented Generation (RAG) システムは複雑なディープ検索シナリオにおいて高度な大規模言語モデル(LLM)を持つ。 既存のアプローチでは、高品質なトレーニングトラジェクトリが欠如し、分散ミスマッチに苦しむ、重要な制限に直面しています。 本稿では,複雑なトレーニングパラダイムではなく,戦略的データエンジニアリングによるギャップを埋めるフレームワークであるSimpleDeepSearcherを紹介する。
  論文  参考訳（メタデータ） (2025-05-22T16:05:02Z)
• Multi-Agent Dynamic Relational Reasoning for Social Robot Navigation [50.01551945190676]
  社会ロボットナビゲーションは、日常生活の様々な状況において有用であるが、安全な人間とロボットの相互作用と効率的な軌道計画が必要である。 本稿では, 動的に進化する関係構造を明示的に推論した系統的関係推論手法を提案する。 マルチエージェント軌道予測とソーシャルロボットナビゲーションの有効性を実証する。
  論文  参考訳（メタデータ） (2024-01-22T18:58:22Z)
• From Simulations to Reality: Enhancing Multi-Robot Exploration for Urban Search and Rescue [46.377510400989536]
  本研究では,コミュニケーションが限られ,位置情報がない未知の環境での効率的なマルチロボット探索のための新しいハイブリッドアルゴリズムを提案する。 連続した目標情報なしでシナリオに合うように、ローカルなベストとグローバルなベストポジションを再定義する。 提示された研究は、限られた情報と通信能力を持つシナリオにおけるマルチロボット探索の強化を約束している。
  論文  参考訳（メタデータ） (2023-11-28T17:05:25Z)
• Hybrid Search for Efficient Planning with Completeness Guarantees [63.02803974708516]
  本稿では,離散的な行動空間における完全性を実現するために,部分ゴール探索法を効果的に拡張する手法を提案する。 このソリューションは、高レベルの探索の実践的効率と低レベルの探索の完全性という、両方の世界のベストを達成している。
  論文  参考訳（メタデータ） (2023-10-19T15:16:43Z)
• Experience-Based Heuristic Search: Robust Motion Planning with Deep Q-Learning [0.0]
  本稿では,Deep Q-Networkの形式でのエクスペリエンスを,探索アルゴリズムの最適ポリシとして統合する方法について述べる。 本手法は、自動運転車分野における強化学習に基づく計画の適用性について、さらなる研究を奨励する可能性がある。
  論文  参考訳（メタデータ） (2021-02-05T12:08:11Z)

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。