論文の概要: Fast Expanding Safe Circular Regions for Efficient Local Path Planning

• arxiv url: http://arxiv.org/abs/2605.16009v1
• Date: Fri, 15 May 2026 14:40:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-18 17:44:16.341592
• Title: Fast Expanding Safe Circular Regions for Efficient Local Path Planning
• Title（参考訳）: 効率的な局所経路計画のための高速拡張型安全循環領域
• Authors: Scott Fredriksson, Akshit Saradagi, George Nikolakopoulos,
• Abstract要約: ローカルナビゲーションは、ロボットナビゲーションの基本的な問題の一つだ。 本稿では,より高速かつより計画的な地平線を有する局所航法を実現するための,より幾何学的なアルゴリズム手法を提案する。
• 参考スコア（独自算出の注目度）: 17.07128889722386
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Local navigation is one of the fundamental problems in robot navigation, and numerous approaches have been proposed over the years, including methods such as the Dynamic Window Approach, Model Predictive Control, and more recently, Control Barrier Functions and machine learning based techniques. While these methods perform well in simple environments, many of them rely on optimization or learning based procedures that can struggle in more complex scenarios. In contrast, this article proposes a more geometric algorithmic approach that enables a local navigation method with faster computation times and longer planning horizons. The proposed method is based on the computation of a sequence of circular regions from a local LiDAR scan that expand in the direction of the goal and capture free local navigable space. The proposed method was implemented in the ROS2 framework and evaluated in a simulated environment.
• Abstract（参考訳）: ローカルナビゲーションはロボットナビゲーションの基本的な問題のひとつであり、動的ウィンドウアプローチ、モデル予測制御、最近では制御バリア関数や機械学習ベースの技術など、多くのアプローチが提案されている。 これらの手法は単純な環境ではうまく機能するが、その多くはより複雑なシナリオで苦労する最適化や学習ベースの手順に依存している。 対照的に,本論文では,より高速な計算時間とより長い水平線計画による局所航法を実現するための,より幾何学的なアルゴリズム手法を提案する。 提案手法は, 目標方向を拡大し, 自由な局所航行可能な空間を捕捉する局所LiDARスキャンから, 円形領域の列の計算に基づく。 提案手法をROS2フレームワークで実装し,シミュレーション環境で評価した。

関連論文リスト

• Grid2Guide: A* Enabled Small Language Model for Indoor Navigation [6.341317643879287]
  本研究では,A*探索アルゴリズムとSmall Language Model(SLM)を組み合わせるハイブリッドナビゲーションフレームワークを提案する。 提案手法を,リアルタイム屋内ナビゲーション支援のための軽量かつインフラストラクチャフリーなソリューションとして検証した。
  論文  参考訳（メタデータ） (2025-08-11T15:39:27Z)
• Enhancing Path Planning Performance through Image Representation Learning of High-Dimensional Configuration Spaces [0.4143603294943439]
  障害物のある未知のシーンにおける経路計画タスクを高速化する新しい手法を提案する。 高速探索ランダムツリーアルゴリズムを用いて,衝突のない経路の経路点分布を近似した。 本実験は,臨界時間制約下での経路計画タスクを高速化する有望な結果を実証する。
  論文  参考訳（メタデータ） (2025-01-11T21:14:52Z)
• FootstepNet: an Efficient Actor-Critic Method for Fast On-line Bipedal Footstep Planning and Forecasting [0.0]
  本研究では,障害物のある環境下を移動するための効率的なフットステップ計画法を提案する。 また,地域目標の異なる候補に到達するのに必要なステップ数を素早く推定できる予測手法を提案する。 本研究は,RoboCup 2023コンペティションにおいて,シミュレーション結果と,子供サイズのヒューマノイドロボットへの展開によ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） (2024-03-19T09:48:18Z)
• AI planning in the imagination: High-level planning on learned abstract search spaces [68.75684174531962]
  我々は,エージェントが訓練中に学習する抽象的な検索空間において,エージェントが計画することを可能にする,PiZeroと呼ばれる新しい手法を提案する。 本研究では,旅行セールスマン問題,ソコバン問題,2048年,施設立地問題,パックマン問題など,複数の分野で評価を行った。
  論文  参考訳（メタデータ） (2023-08-16T22:47:16Z)
• Confidence-Controlled Exploration: Efficient Sparse-Reward Policy Learning for Robot Navigation [72.24964965882783]
  強化学習(RL)はロボットナビゲーションにおいて有望なアプローチであり、ロボットは試行錯誤を通じて学習することができる。 現実世界のロボットタスクは、しばしばまばらな報酬に悩まされ、非効率な探索と準最適政策に繋がる。 本稿では,RLに基づくロボットナビゲーションにおいて,報酬関数を変更せずにサンプル効率を向上させる新しい手法であるConfidence-Controlled Exploration (CCE)を紹介する。
  論文  参考訳（メタデータ） (2023-06-09T18:45:15Z)
• DDPEN: Trajectory Optimisation With Sub Goal Generation Model [70.36888514074022]
  本稿では,エスケープネットワークを用いた微分動的プログラミング(DDPEN)を提案する。 本稿では,環境の入力マップとして,所望の位置とともにコストマップの形で利用する深層モデルを提案する。 このモデルは、目標に導く可能性のある将来の方向を生成し、リアルタイムに実行可能なローカルなミニマを避ける。
  論文  参考訳（メタデータ） (2023-01-18T11:02:06Z)
• Reinforcement Learning for Robot Navigation with Adaptive Forward Simulation Time (AFST) in a Semi-Markov Model [20.91419349793292]
  本稿では,この問題を解決するために,半マルコフ決定プロセス (SMDP) と連続的な動作空間を持つDRLベースのナビゲーション手法であるAdaptive Forward Time Simulation (AFST) を提案する。
  論文  参考訳（メタデータ） (2021-08-13T10:30:25Z)
• Reinforcement Learning with Fast Stabilization in Linear Dynamical Systems [91.43582419264763]
  未知の安定化線形力学系におけるモデルベース強化学習(RL)について検討する。 本研究では,環境を効果的に探索することで,基盤システムの高速安定化を証明できるアルゴリズムを提案する。 提案アルゴリズムはエージェント環境相互作用の時間ステップで$tildemathcalO(sqrtT)$ regretを達成した。
  論文  参考訳（メタデータ） (2020-07-23T23:06:40Z)
• Localized active learning of Gaussian process state space models [63.97366815968177]
  多くの共通制御アプリケーションにおいて、優れた性能を達成するためには、グローバルに正確なモデルを必要としない。 本稿では,状態-作用空間の有界部分集合上の正確なモデルを得ることを目的としたガウス過程状態空間モデルに対する能動的学習戦略を提案する。 モデル予測制御を用いることで、探索中に収集した情報を統合し、探索戦略を適応的に改善する。
  論文  参考訳（メタデータ） (2020-05-04T05:35:02Z)

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。