論文の概要: A Hough transform approach to safety-aware scalar field mapping using Gaussian Processes
- arxiv url: http://arxiv.org/abs/2604.20799v1
- Date: Wed, 22 Apr 2026 17:27:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-23 15:36:11.257356
- Title: A Hough transform approach to safety-aware scalar field mapping using Gaussian Processes
- Title（参考訳）: ガウス過程を用いた安全対応スカラー場マッピングへのハフ変換手法
- Authors: Muzaffar Qureshi, Trivikram Satharasi, Tochukwu E. Ogri, Kyle Volle, Rushikesh Kamalapurkar,
- Abstract要約: 本稿では,センサ付き自律ロボットによる未知のスカラーフィールドのマッピング手法を提案する。
不安全領域は、フィールド値が予め定義された安全閾値を超える高強度領域として定義される。
スカラーフィールドの安全かつ効率的なマッピングのために、センサ付きロボットは、測定プロセス中に高強度領域を避ける必要がある。
- 参考スコア（独自算出の注目度）: 0.03914676152740142
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper presents a framework for mapping unknown scalar fields using a sensor-equipped autonomous robot operating in unsafe environments. The unsafe regions are defined as regions of high-intensity, where the field value exceeds a predefined safety threshold. For safe and efficient mapping of the scalar field, the sensor-equipped robot must avoid high-intensity regions during the measurement process. In this paper, the scalar field is modeled as a sample from a Gaussian process (GP), which enables Bayesian inference and provides closed-form expressions for both the predictive mean and the uncertainty. Concurrently, the spatial structure of the high-intensity regions is estimated in real-time using the Hough transform (HT), leveraging the evolving GP posterior. A safe sampling strategy is then employed to guide the robot towards safe measurement locations, using probabilistic safety guarantees on the evolving GP posterior. The estimated high-intensity regions also facilitate the design of safe motion plans for the robot. The effectiveness of the approach is verified through two numerical simulation studies and an indoor experiment for mapping a light-intensity field using a wheeled mobile robot.
- Abstract（参考訳）: 本稿では,センサ付き自律ロボットによる未知のスカラーフィールドのマッピング手法を提案する。
不安全領域は、フィールド値が予め定義された安全閾値を超える高強度領域として定義される。
スカラーフィールドの安全かつ効率的なマッピングのために、センサ付きロボットは、測定プロセス中に高強度領域を避ける必要がある。
本稿では,スカラー場をガウス過程(GP)のサンプルとしてモデル化し,ベイズ推定を可能にし,予測平均と不確実性の両方に対して閉形式表現を提供する。
同時に、Hough変換(HT)を用いて高強度領域の空間構造をリアルタイムで推定し、進化するGP後部を利用する。
次に安全なサンプリング戦略を用いて、進化するGP後部における確率論的安全保証を用いて、ロボットを安全な測定場所へ誘導する。
推定された高強度領域はまた、ロボットの安全な運動計画の設計を促進する。
本手法の有効性を,車輪付き移動ロボットを用いた2つの数値シミュレーションと室内実験により検証した。
関連論文リスト
- Provably Safe Trajectory Generation for Manipulators Under Motion and Environmental Uncertainties [26.41382315967256]
本稿では,安全な最適動作計画の必要性に対処する,リスクバウンドな新しい動き計画フレームワークを提案する。
動作不確実性下でのロボットの状態分布を予測するために,剛性マニピュレータ深部クープマン演算子 (RM-DeKO) モデルを統合する。
次に,並列物理シミュレーションとSOS(Sum-of-squares)プログラミングを併用して,衝突リスクのきめ細かい形式的証明を行う,効率的な階層的検証手法を提案する。
論文 参考訳（メタデータ） (2026-03-10T01:48:48Z) - Bridging Simulation and Reality: Cross-Domain Transfer with Semantic 2D Gaussian Splatting [60.513168855890974]
ロボット操作におけるクロスドメイン転送は、シミュレートされた環境と実世界の環境の間に大きなドメインギャップがあるため、長年にわたる課題である。
本研究では,オブジェクト中心の領域不変空間特徴を抽出する新しい表現法であるSemantic 2D Gaussian Splatting (S2GS)を提案する。
S2GSはsim-to-real転送性を大幅に改善し、現実世界のシナリオで高安定なタスク性能を維持する。
論文 参考訳（メタデータ） (2025-12-04T12:16:15Z) - Rethinking Safety in LLM Fine-tuning: An Optimization Perspective [56.31306558218838]
我々は、本質的にトレードオフではなく、最適化の貧弱な選択が、しばしば安全上の問題を引き起こすことを示し、敵のプロンプトに対する有害な応答として測定する。
安全性能を保ったパラメータ空間における簡易指数移動平均(EMA)運動量法を提案する。
複数のデータセットにまたがるLlamaファミリーに関する実験は、安全性の問題が特別な介入なしに回避できることを実証している。
論文 参考訳（メタデータ） (2025-08-17T23:46:36Z) - Ensuring Force Safety in Vision-Guided Robotic Manipulation via Implicit Tactile Calibration [18.183151257773886]
本稿ではSafeDiffと呼ばれる新しい状態拡散フレームワークを紹介する。
これにより、現在のロボットの状態と視覚的コンテキスト観察から予測状態列を生成する。
リアルタイムの触覚フィードバックを組み込んでシーケンスを洗練させる。
実験では, 視覚触覚モデルにより, ドア開口部の有害な力の危険性が著しく軽減された。
論文 参考訳（メタデータ） (2024-12-13T18:45:26Z) - What Makes and Breaks Safety Fine-tuning? A Mechanistic Study [64.9691741899956]
安全性の微調整は、大規模な言語モデル(LLM)を、安全なデプロイメントのための人間の好みに合わせるのに役立つ。
安全でない入力の健全な側面をキャプチャする合成データ生成フレームワークを設計する。
これを用いて,3つのよく知られた安全微調整手法について検討する。
論文 参考訳（メタデータ） (2024-07-14T16:12:57Z) - Efficiently Computable Safety Bounds for Gaussian Processes in Active Learning [6.217857116096573]
多くの技術応用において、設計空間は連続的な軌跡を通して探索され、その上で安全性を評価する必要がある。
これはGP法における厳格な安全性要件に対して特に困難である。
本稿では,後GPの上限値の適応的なサンプル化中央値に基づいて,証明可能な安全性境界を提供することにより,これらの課題に対処する。
論文 参考訳（メタデータ） (2024-02-28T11:47:15Z) - Bayesian Deep Learning for Segmentation for Autonomous Safe Planetary Landing [7.1581738936972]
本稿では,ベイジアンディープラーニングセグメンテーション法のハザード検出への応用を提案する。
ベイジアンディープラーニングとセマンティックセグメンテーションを通じて、安全予測マップとその不確実性マップを同時に生成する。
実験は、Mars HiRISEデジタル地形モデルに基づくシミュレーションデータで示される。
論文 参考訳（メタデータ） (2021-02-21T08:13:49Z) - Domain Adaptation for Outdoor Robot Traversability Estimation from RGB
data with Safety-Preserving Loss [12.697106921197701]
本稿では,車載RGBカメラの視野内で異なる経路のトラバーススコアを推定し,予測する深層学習に基づくアプローチを提案する。
次に、勾配反転非教師付き適応によるドメインシフトに対処することで、モデルの能力を向上する。
実験結果から,本手法は移動可能領域を良好に同定し,目に見えない場所に一般化できることが示唆された。
論文 参考訳（メタデータ） (2020-09-16T09:19:33Z) - Guided Uncertainty-Aware Policy Optimization: Combining Learning and
Model-Based Strategies for Sample-Efficient Policy Learning [75.56839075060819]
従来のロボットのアプローチは、環境の正確なモデル、タスクの実行方法の詳細な説明、現在の状態を追跡するための堅牢な認識システムに依存している。
強化学習アプローチは、タスクを記述するための報酬信号だけで、生の感覚入力から直接操作することができるが、非常にサンプル非効率で脆弱である。
本研究では,ロボットの知覚・運動パイプラインにおける不正確さを克服できる一般的な手法を得るために,モデルに基づく手法の強みと学習に基づく手法の柔軟性を組み合わせる。
論文 参考訳（メタデータ） (2020-05-21T19:47:05Z)
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。