論文の概要: CaMeRL: Collision-Aware and Memory-Enhanced Reinforcement Learning for UAV Navigation in Multi-Scale Obstacle Environments

• arxiv url: http://arxiv.org/abs/2605.14810v1
• Date: Thu, 14 May 2026 13:22:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-15 21:45:34.83988
• Title: CaMeRL: Collision-Aware and Memory-Enhanced Reinforcement Learning for UAV Navigation in Multi-Scale Obstacle Environments
• Title（参考訳）: CaMeRL:マルチスケール障害物環境におけるUAVナビゲーションのための衝突認識とメモリ強化強化学習
• Authors: Hong Hong, Feiyu Liao, Yongheng Liang, Boning Zhang, Haitao Wang, Hejun Wu,
• Abstract要約: 本稿では,UAVナビゲーションのためのコリジョン対応・メモリ強化型強化学習フレームワークであるCaMeRLを提案する。 CaMeRLは、危険に敏感な深さキューを符号化し、きめ細かい障害物構造を保存し、小さな障害物に対する感度を向上させる。 超小型・超大型の障害物設定を含むマルチスケール障害物を用いたCaMeRLの評価を行った。
• 参考スコア（独自算出の注目度）: 3.9449402629462984
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In obstacle avoidance navigation of unmanned aerial vehicles (UAVs), variations in obstacle scale have received strangely less attention than obstacle number or density. Existing methods typically extract purely geometric features from single-frame depth observations. Such representations tend to neglect small obstacles and lose spatial context under occlusions caused by large obstacles, leading to noticeable degradation in environments with multi-scale obstacles. To address this issue, we propose CaMeRL, a Collision-aware and Memory-enhanced Reinforcement Learning framework for UAV navigation. The collision-aware latent representation encodes risk-sensitive depth cues to preserve fine-grained obstacle structures, thereby improving sensitivity to small obstacles. The temporal memory module integrates observations across frames, mitigating partial observability caused by large-obstacle occlusions. We evaluate CaMeRL with multi-scale obstacles, including ultra-small and extra-large obstacle settings. Results show that CaMeRL outperforms state-of-the-art baselines across all scales, with success rate gains of 0.48 and 0.28 in the ultra-small and extra-large settings, respectively. More importantly, CaMeRL achieves reliable navigation in cluttered outdoor environments.
• Abstract（参考訳）: 無人航空機(UAV)の障害物回避ナビゲーションでは、障害物数や密度よりも障害物スケールのばらつきが奇妙に少ない。 既存の手法は通常、単フレーム深度観測から純粋に幾何学的な特徴を抽出する。 このような表現は、小さな障害物を無視し、大きな障害物によって引き起こされる閉塞の下で空間的コンテキストを失う傾向があり、マルチスケールの障害物を持つ環境において顕著に劣化する。 この問題に対処するため,UAVナビゲーションのためのコリジョン対応・メモリ強化型強化学習フレームワークであるCaMeRLを提案する。 衝突認識遅延表現は、危険に敏感な深さキューを符号化し、きめ細かい障害物構造を保存し、小さな障害物に対する感度を向上させる。 時間記憶モジュールは、フレーム間の観測を統合し、大きな障害物の閉塞によって生じる部分的な観測可能性を軽減する。 超小型・超大型の障害物設定を含むマルチスケール障害物を用いたCaMeRLの評価を行った。 その結果、CaMeRLはあらゆるスケールで最先端のベースラインより優れており、超小型および超大型の環境では0.48と0.28が成功率であることがわかった。 さらに、CaMeRLは乱雑な屋外環境で信頼性の高いナビゲーションを実現する。

関連論文リスト

• Consistent and Efficient MSCKF-based LiDAR-Inertial Odometry with Inferred Cluster-to-Plane Constraints for UAVs [46.21996481591401]
  本稿では,UAVに適した一貫した,効率的なLiDAR-Inertial Odometryフレームワークを提案する。 スライディングウインドウのコプラナー制約にヌル空間プロジェクションを適用することにより、状態ベクトルにおける特徴パラメータへの直接依存を排除できる。 退化シナリオにおける堅牢性の向上,マップのない性質によるメモリ使用量の最小化,リソース制約の組込みプラットフォーム上でのリアルタイム実行などを実現している。
  論文  参考訳（メタデータ） (2026-03-13T11:09:50Z)
• Watch Your Step: Learning Semantically-Guided Locomotion in Cluttered Environment [31.80965878441852]
  乱雑な環境での障害を正確に回避するために設計された強化学習フレームワークであるSemLocoを紹介する。 SemLocoは衝突を著しく低減し、センシティブな物体の安全性を向上させる。 さらに、SemLocoはより複雑で非構造的な実環境に効果的に適用できることを示した。
  論文  参考訳（メタデータ） (2026-03-03T06:47:46Z)
• Look Carefully: Adaptive Visual Reinforcements in Multimodal Large Language Models for Hallucination Mitigation [51.743225614196774]
  マルチモーダル大言語モデル (MLLM) は視覚言語推論において顕著な進歩を遂げている。 彼らは幻覚に弱いままであり、そこで生成されたコンテンツは視覚的証拠から逸脱する。 近年の視覚強調法では、復号時に視覚トークンを補強することでこの問題に対処しようとしている。 本稿では,MLLMのトレーニングフリーフレームワークであるAdaptive Visual Reinforcement (AIR)を提案する。
  論文  参考訳（メタデータ） (2026-02-27T14:18:51Z)
• Mastering Diverse, Unknown, and Cluttered Tracks for Robust Vision-Based Drone Racing [22.63301233637327]
  ドローンレースの目標を固定した障害物のないトラックの強化学習手法のほとんどは、未知の乱雑な環境に一般化を残したままであった。 この課題は、レース速度と衝突回避のバランスをとる必要があること、限られた実現可能な空間が、訓練中に地元のオプティマに閉じ込められた政策探索を引き起こすことに起因している。 高速飛行のための政策探索を継続する初期ソフトコリデーショントレーニングフェーズと、堅牢な障害物回避を強制するハードコリデーション改善フェーズの2段階学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-10T12:02:48Z)
• Skyshield: Event-Driven Submillimetre Thin Obstacle Detection for Drone Flight Safety [22.778033892271555]
  本稿では,イベント駆動型エンドツーエンドフレームワークであるSkyShieldについて紹介する。 提案手法では,U-Net アーキテクチャとDice-Contour 正規化損失を用いて精度の高い検出を行う。
  論文  参考訳（メタデータ） (2025-08-13T00:26:35Z)
• Depth-Constrained ASV Navigation with Deep RL and Limited Sensing [43.785833390490446]
  本研究では,深度制約下でのASVナビゲーションのための強化学習フレームワークを提案する。 環境意識を高めるため,GPレグレッションをRLフレームワークに統合する。 我々は,実世界の水環境に対して,訓練された政策が適切に一般化されることを保証する効果的なシミュレート・トゥ・リアル・トランスファーを実証する。
  論文  参考訳（メタデータ） (2025-04-25T10:56:56Z)
• Any Image Restoration via Efficient Spatial-Frequency Degradation Adaptation [158.37640586809187]
  劣化した画像を1つのモデルで効率的に復元することは、ますます重要になっている。 我々のアプローチはAnyIRと呼ばれ、様々な劣化にまたがる固有の類似性を活用する統一された経路をとっています。 劣化認識と文脈的注意を融合させるため,空間周波数並列融合戦略を提案する。
  論文  参考訳（メタデータ） (2025-04-19T09:54:46Z)
• Monocular Obstacle Avoidance Based on Inverse PPO for Fixed-wing UAVs [29.207513994002202]
  固定翼無人航空機(英語: Fixed-wing Unmanned Aerial Vehicles、UAV)は、低高度経済(LAE)と都市空運(UAM)のための最も一般的なプラットフォームの一つである。 従来の地図や高度なセンサーに依存する古典的な障害物回避システムは、未知の低高度環境や小型UAVプラットフォームにおいて制限に直面している。 本稿では,DRLに基づくUAV衝突回避システムを提案する。
  論文  参考訳（メタデータ） (2024-11-27T03:03:37Z)
• Small Object Detection via Coarse-to-fine Proposal Generation and Imitation Learning [52.06176253457522]
  本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。 CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
  論文  参考訳（メタデータ） (2023-08-18T13:13:09Z)

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。