論文の概要: DynoSLAM: Dynamic SLAM with Generative Graph Neural Networks for Real-World Social Navigation

• arxiv url: http://arxiv.org/abs/2605.02759v1
• Date: Mon, 04 May 2026 15:58:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:50.394163
• Title: DynoSLAM: Dynamic SLAM with Generative Graph Neural Networks for Real-World Social Navigation
• Title（参考訳）: DynoSLAM: リアルタイムソーシャルナビゲーションのための生成グラフニューラルネットワークを用いた動的SLAM
• Abstract要約: 本稿では,ソーシャルなグラフネットワーク(GNN)を要素グラフの最適化に直接統合する動的グラフSLAMアーキテクチャを提案する。 トレーニングされたGNNからのMonte Carloロールアウトを利用して、人間のインタラクションのマルチモーダルな不確実性を捉え、SLAMグラフに埋め込む。
• 参考スコア（独自算出の注目度）: 1.6504157612470989
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traditional Simultaneous Localization and Mapping (SLAM) algorithms rely heavily on the static environment assumption, which severely limits their applicability in real-world spaces populated by moving entities, such as pedestrians. In this work, we propose DynoSLAM, a tightly-coupled Dynamic GraphSLAM architecture that integrates socially-aware Graph Neural Networks (GNNs) directly into the factor graph optimization. Unlike conventional approaches that use rigid constant-velocity heuristics or deterministic single-agent neural priors, our framework formulates pedestrian motion forecasting as a stochastic World Model. By utilizing Monte Carlo rollouts from a trained GNN, we capture the multimodal epistemic uncertainty of human interactions and embed it into the SLAM graph via a dynamic Mahalanobis distance factor. We demonstrate through extensive simulated experiments that this stochastic formulation not only maintains highly accurate retrospective tracking but also prevents the optimization failures caused by the deterministic "argmax problem". Ultimately, extracting the empirical mean and covariance matrices of future pedestrian states provides a mathematically rigorous, probabilistic safety envelope for downstream local planners, enabling anticipatory and collision-free robot navigation in densely crowded environments.
• Abstract（参考訳）: 従来のSLAMアルゴリズムは静的環境の仮定に大きく依存しており、歩行者などの移動物体に代表される現実空間における適用性を著しく制限している。 本研究では,ソーシャルに認識可能なグラフニューラルネットワーク(GNN)を直接要素グラフ最適化に統合する動的グラフSLAMアーキテクチャであるDynoSLAMを提案する。 厳密な定速度ヒューリスティックや決定論的単一エージェントニューラルネットワークを用いた従来の手法とは異なり、我々のフレームワークは、確率的世界モデルとして歩行者の動き予測を定式化している。 トレーニングされたGNNからのモンテカルロロールアウトを利用して、人間の相互作用のマルチモーダルな疫学的な不確実性を捉え、動的マハラノビス距離因子を介してSLAMグラフに埋め込む。 我々は、この確率的定式化が高精度な振り返り追跡を維持できるだけでなく、決定論的「argmax問題」による最適化の失敗を防止できることを示す。 最終的に、将来の歩行者州の経験的平均と共分散行列を抽出することで、下流のプランナーに数学的に厳密で確率的な安全封筒を提供し、密集した環境での予測と衝突のないロボットナビゲーションを可能にする。

関連論文リスト

• Teacher Knows It Best: Spontaneous Symmetry Breaking and Tipping Points in Networked Langevin Dynamics AI Sycophancy [5.868852957948178]
  我々は,加法雑音と社会的適合性によって駆動される不安定性を示すネットワーク力学系をモデル化する統計物理学の枠組みを定式化する。 我々は,このモデルを用いて,AIによる妄想スパイラルの理解と緩和を行う。これは,大規模言語モデルからのアルゴリズム的梅毒が,不正確な信念を継続的に補強する現象である。 数学的には、特定の条件下では、大規模ハブをターゲットとする高度に集中した迅速な介入が、ネットワークを救うための分散的、遅いアプローチを厳密に上回っていることを証明している。
  論文  参考訳（メタデータ） (2026-07-27T11:47:57Z)
• Physics-Informed Reinforcement Learning of Spatial Density Velocity Potentials for Map-Free Racing [73.88859384645264]
  Out-Of-Distribution (OOD) の様々なレーストラックへの一般化は、機械学習(ML)を用いて、エンドツーエンド制御のためのセンサデータと車両アクチュエーターの間の数学的関係を符号化する。 本稿では,非幾何学的,物理インフォームド報酬を用いた深度測定のスペクトル分布から非線形車両動特性をパラメータ化して,ニューラルネットワーク(ANN)による車両の時間最適・乗換レース制御を推定するDRL法を提案する。 このポリシーは、経験的なパセジカタイヤモデルに似たタイヤのダイナミックスで摩擦円を最大化することで、OODトラックの12%で人間のデモより優れています。
  論文  参考訳（メタデータ） (2026-04-10T17:12:07Z)
• UP-SLAM: Adaptively Structured Gaussian SLAM with Uncertainty Prediction in Dynamic Environments [1.4117999181375773]
  UP-SLAMは動的環境のためのリアルタイムRGB-D SLAMシステムである。 並列化フレームワークを通じて追跡とマッピングを分離する。 実験により、ローカライズ精度とレンダリング品質の両方において最先端の手法より優れていることが示唆された。
  論文  参考訳（メタデータ） (2025-05-28T13:23:16Z)
• TrajFlow: A Generative Framework for Occupancy Density Estimation Using Normalizing Flows [0.0]
  本稿では,動的エージェントの占有密度を推定するための生成フレームワークを提案する。 本フレームワークは因果エンコーダを用いて,観察された軌跡の意味的に意味のある埋め込みを抽出する。 本稿では,この枠組みの実装として,神経微分方程式を基礎とした新しいアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-01-24T06:09:09Z)
• DDN-SLAM: Real-time Dense Dynamic Neural Implicit SLAM [5.267859554944985]
  DDN-SLAMは,意味的特徴を統合した最初のリアルタイム高密度ニューラルネットワーク暗黙的SLAMシステムである。 既存の暗黙的SLAMシステムと比較して、動的データセットの追跡結果は平均軌道誤差(ATE)の精度が平均90%向上していることを示している。
  論文  参考訳（メタデータ） (2024-01-03T05:42:17Z)
• SEGNO: Generalizing Equivariant Graph Neural Networks with Physical Inductive Biases [66.61789780666727]
  等変性を維持しながら, 2階連続性をGNNに組み込む方法を示す。 また、SEGNOに関する理論的知見も提供し、隣接する状態間の一意の軌跡を学習できることを強調している。 我々のモデルは最先端のベースラインよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2023-08-25T07:15:58Z)
• Optimistic Active Exploration of Dynamical Systems [52.91573056896633]
  我々はOPAXと呼ばれる活発な探索のためのアルゴリズムを開発した。 我々は,OPAXを各エピソードで解決可能な最適制御問題に還元する方法を示す。 実験の結果,OPAXは理論的に健全であるだけでなく,新規な下流タスクのゼロショット計画にも有効であることがわかった。
  論文  参考訳（メタデータ） (2023-06-21T16:26:59Z)
• Dynamic Causal Explanation Based Diffusion-Variational Graph Neural Network for Spatio-temporal Forecasting [60.03169701753824]
  時間予測のための動的拡散型グラフニューラルネットワーク(DVGNN)を提案する。 提案したDVGNNモデルは最先端のアプローチよりも優れ,Root Mean Squared Errorの結果が優れている。
  論文  参考訳（メタデータ） (2023-05-16T11:38:19Z)
• STGlow: A Flow-based Generative Framework with Dual Graphormer for Pedestrian Trajectory Prediction [22.553356096143734]
  歩行者軌跡予測(STGlow)のための二重グラフマーを用いた新しい生成フローベースフレームワークを提案する。 本手法は,動作の正確なログライクな振る舞いを最適化することにより,基礎となるデータ分布をより正確にモデル化することができる。 いくつかのベンチマークによる実験結果から,本手法は従来の最先端手法に比べて性能が向上することが示された。
  論文  参考訳（メタデータ） (2022-11-21T07:29:24Z)
• Maximum entropy exploration in contextual bandits with neural networks and energy based models [63.872634680339644]
  モデルには2つのクラスがあり、1つはニューラルネットワークを報酬推定器とし、もう1つはエネルギーベースモデルを示す。 両手法は、エネルギーベースモデルが最も優れた性能を持つ、よく知られた標準アルゴリズムより優れていることを示す。 これは、静的および動的設定でよく機能する新しいテクニックを提供し、特に連続的なアクション空間を持つ非線形シナリオに適している。
  論文  参考訳（メタデータ） (2022-10-12T15:09:45Z)
• Conditioned Human Trajectory Prediction using Iterative Attention Blocks [70.36888514074022]
  本研究では,都市環境における歩行者位置予測を目的とした,簡易かつ効果的な歩行者軌道予測モデルを提案する。 我々のモデルは、複数のアテンションブロックとトランスフォーマーを反復的に実行できるニューラルネットワークアーキテクチャである。 ソーシャルマスク, 動的モデル, ソーシャルプーリング層, 複雑なグラフのような構造を明示的に導入することなく, SoTAモデルと同等の結果が得られることを示す。
  論文  参考訳（メタデータ） (2022-06-29T07:49:48Z)
• 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)

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。