論文の概要: Task-Conditioned Uncertainty Costmaps for Legged Locomotion

• arxiv url: http://arxiv.org/abs/2605.00261v1
• Date: Thu, 30 Apr 2026 21:54:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-04 17:43:28.773735
• Title: Task-Conditioned Uncertainty Costmaps for Legged Locomotion
• Title（参考訳）: 片足移動のためのタスク記述不確実性コストマップ
• Authors: Kartikeya Singh, Christo Aluckal, Romeo Orsolino, Karthik Dantu,
• Abstract要約: 脚のあるロボットは、地形との多接触相互作用を通じて動的実現性を維持する。 本研究では,地形観測と指示運動を条件に予測された足場におけるモデリングの不確実性が,分布外操作系と分布外動作系とを区別することを示す。 我々は、この学習された不確実性を利用して、OOD領域を検出し、不確実性を認識した経路計画のための統一されたコストマップ生成フレームワークに組み込む。
• 参考スコア（独自算出の注目度）: 8.377206870832945
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Legged robots maintain dynamic feasibility through multicontact interactions with terrain. Learned foothold prediction can provide feasibility-aware costs for motion planning and path selection, but accurately predicting future contacts from perceptual inputs such as height scans remains challenging on highly unstructured terrain, even with a repetitive gait cycle. In this work, we show that modeling epistemic uncertainty in predicted footholds, conditioned on terrain observations and commanded motion, distinguishes in-distribution from out-of-distribution operating regimes in simulation and real-world settings. This allows a single learned model, trained on limited data distributions, to express uncertainty caused by missing training coverage. We use this learned uncertainty to detect OOD regions and incorporate them into a unified costmap-generation framework for uncertainty-aware path planning. Using these uncertainty-aware costmaps, we evaluate feasibility error across in-distribution and OOD terrains in simulation and real-world settings. The results show improved OOD detection, up to a 37% reduction in simulation feasibility error, and more reliable planning behavior than geometry-only baselines.
• Abstract（参考訳）: 脚のあるロボットは、地形との多接触相互作用を通じて動的実現性を維持する。 学習された足場予測は、移動計画や経路選択のための実現可能性を考慮したコストを提供することができるが、高度スキャンのような知覚的な入力から将来の接触を正確に予測することは、繰り返し歩行サイクルであっても、高度に非構造化された地形では困難である。 本研究は,地形観測と指示運動を条件に予測された足場における疫学的不確実性をモデル化し,シミュレーションと実世界の環境における分布外操作体制とを区別するものである。 これにより、限られたデータ分散に基づいてトレーニングされた単一の学習モデルで、トレーニングカバレッジの欠如による不確実性を表現することが可能になる。 我々は、この学習された不確実性を利用して、OOD領域を検出し、不確実性を認識した経路計画のための統一されたコストマップ生成フレームワークに組み込む。 これらの不確実性を考慮したコストマップを用いて、シミュレーションおよび実世界設定における分布内およびOOD地形間の実現可能性誤差を評価する。 その結果,OOD検出の精度が向上し,シミュレーション可能性誤差が最大で37%低減し,形状のみのベースラインよりも信頼性の高い計画行動が得られた。

関連論文リスト

• ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
  ResADは正規化された残留軌道モデリングフレームワークである。 学習タスクを再編成し、慣性参照からの残留偏差を予測する。 NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
  論文  参考訳（メタデータ） (2025-10-09T17:59:36Z)
• Towards Reliable LLM-based Robot Planning via Combined Uncertainty Estimation [68.106428321492]
  大規模言語モデル (LLM) は高度な推論能力を示し、ロボットが自然言語の命令を理解し、適切な接地で高レベルな計画を生成することができる。 LLMの幻覚は重大な課題であり、しばしば過度に信頼され、不一致または安全でない計画に繋がる。 本研究は, 信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性評価を別々に評価するものである。
  論文  参考訳（メタデータ） (2025-10-09T10:26:58Z)
• Building Real-time Awareness of Out-of-distribution in Trajectory Prediction for Autonomous Vehicles [9.009998323918621]
  十分に訓練された機械学習モデルでさえ、トレーニングデータと推論中に遭遇する実世界の条件の相違により、信頼性の低い予測を生成する可能性がある。 我々は,OOD検出を変更点検出問題としてフレーミングすることで,OOD検出の原理的リアルタイムアプローチを導入する。 我々の軽量なソリューションは、軌道予測推論中にいつでもOODの発生を処理できる。
  論文  参考訳（メタデータ） (2024-09-25T18:43:58Z)
• Real-Time Stochastic Terrain Mapping and Processing for Autonomous Safe Landing [0.0]
  本稿では,新しいリアルタイムな惑星地形マッピングアルゴリズムを開発した。 サンプル点間の地形的不確実性や、スパース3次元測定による不確かさを考慮に入れている。
  論文  参考訳（メタデータ） (2024-09-14T05:12:14Z)
• EVORA: Deep Evidential Traversability Learning for Risk-Aware Off-Road Autonomy [34.19779754333234]
  本研究では,不確実性を考慮したトラクションモデルを学習し,リスクを考慮したトラジェクトリを計画するための統一的なフレームワークを提案する。 ネットワーク出力を用いてディリクレ分布をパラメータ化し、新しい不確実性を考慮した2乗地球モーバー距離損失を提案する。 我々のアプローチはシミュレーションや車輪付き四足歩行ロボットで広範囲に検証されている。
  論文  参考訳（メタデータ） (2023-11-10T18:49:53Z)
• Interpretable Self-Aware Neural Networks for Robust Trajectory Prediction [50.79827516897913]
  本稿では,意味概念間で不確実性を分散する軌道予測のための解釈可能なパラダイムを提案する。 実世界の自動運転データに対する我々のアプローチを検証し、最先端のベースラインよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2022-11-16T06:28:20Z)
• Trajectory Forecasting from Detection with Uncertainty-Aware Motion Encoding [121.66374635092097]
  物体検出と追跡から得られる軌道は、必然的にうるさい。 本稿では, 明示的に形成された軌道に依存することなく, 直接検出結果に基づく軌道予測器を提案する。
  論文  参考訳（メタデータ） (2022-02-03T09:09:56Z)
• SGCN:Sparse Graph Convolution Network for Pedestrian Trajectory Prediction [64.16212996247943]
  歩行者軌道予測のためのスパースグラフ畳み込みネットワーク(SGCN)を提案する。 具体的には、SGCNはスパース指向の相互作用をスパース指向の空間グラフと明確にモデル化し、適応的な相互作用歩行者を捉える。 可視化は,歩行者の適応的相互作用とその運動特性を捉えることができることを示す。
  論文  参考訳（メタデータ） (2021-04-04T03:17:42Z)
• The Importance of Prior Knowledge in Precise Multimodal Prediction [71.74884391209955]
  道路にはよく定義された地形、地形、交通規則がある。 本稿では,構造的事前を損失関数として組み込むことを提案する。 実世界の自動運転データセットにおけるアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2020-06-04T03:56:11Z)

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。