論文の概要: Learning-Accelerated Optimization-based Trajectory Planning for Cooperative Aerial-Ground Handover Missions

• arxiv url: http://arxiv.org/abs/2605.19562v1
• Date: Tue, 19 May 2026 09:07:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-20 15:03:09.221388
• Title: Learning-Accelerated Optimization-based Trajectory Planning for Cooperative Aerial-Ground Handover Missions
• Title（参考訳）: 協調空域ハンドオーバミッションのための学習促進最適化に基づく軌道計画
• Authors: Jingshan Chen, Bochen Yu, Henrik Ebel, Peter Eberhard,
• Abstract要約: 本稿では,無人航空機(UAV)と無人地上航空機(UGV)のハンドオーバミッションのための学習用軌道計画フレームワークを提案する。 本稿では,デカップリング型エンコーダ・デコーダ長短期メモリ(LSTM)ネットワークを用いたニューラルサロゲートプランナを提案する。 ベンチマーク評価は、学習強化計画フレームワークが3倍以上のスピードアップと100%の最適化成功率を達成することを示した。
• 参考スコア（独自算出の注目度）: 1.3299507495084417
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents a learning-augmented trajectory planning framework for cooperative unmanned aerial vehicle (UAV) and unmanned ground vehicle (UGV) handover missions. While centralized trajectory optimization ensures dynamic feasibility and task optimality, its high computational cost limits real-time applicability. We propose a neural surrogate planner utilizing decoupled encoder-decoder long short-term memory (LSTM) networks to generate coordinated handover trajectory predictions from the task specifications. These predictions serve as informed warm starts for the downstream centralized optimizer, thereby accelerating convergence to dynamically feasible solutions. Benchmark evaluations demonstrate that the learning-augmented planning framework achieves more than a threefold speedup and 100% optimization success rate compared to cold start optimization. The results indicate that combining data-driven inference with model-based refinement enables fast and reliable trajectory generation for heterogeneous multi-robot systems.
• Abstract（参考訳）: 本稿では,無人航空機(UAV)と無人地上航空機(UGV)のハンドオーバミッションのための学習用軌道計画フレームワークを提案する。 集中トラジェクトリ最適化は動的実現性とタスク最適性を保証するが、高い計算コストはリアルタイム適用性を制限する。 本稿では,デカップリング型エンコーダ・デコーダ長短期メモリ(LSTM)ネットワークを用いたニューラルサロゲートプランナを提案し,タスク仕様からハンドオーバ軌道予測を生成する。 これらの予測は、下流の集中型オプティマイザのインフォメーション・スタートとして機能し、それによって動的に実現可能な解への収束を加速する。 ベンチマーク評価の結果、学習強化計画フレームワークは、コールドスタート最適化と比較して3倍以上のスピードアップと100%の最適化成功率を達成することが示された。 その結果,データ駆動推論とモデルベース改良を組み合わせることで,異種マルチロボットシステムの高速かつ信頼性の高い軌道生成が可能となった。

関連論文リスト

• HAD: Combining Hierarchical Diffusion with Metric-Decoupled RL for End-to-End Driving [51.268878540511054]
  我々は階層的拡散政策を備えたエンドツーエンドの計画フレームワークであるHADを提案する。 我々は,NAVSIMとHUGSIMの両方でHADが新たな最先端性能を実現することを示す。
  論文  参考訳（メタデータ） (2026-04-04T04:12:47Z)
• MMH-Planner: Multi-Mode Hybrid Trajectory Planning Method for UAV Efficient Flight Based on Real-Time Spatial Awareness [5.419189180406189]
  本稿では, リアルタイム環境認識に基づくUAVの多モードハイブリッド軌道計画手法を提案する。 今後の環境における飛行安全性を迅速に評価する目標指向型空間認識手法を提案する。 次に,多モードハイブリッド軌道計画機構を提案し,計画効率を向上させる。
  論文  参考訳（メタデータ） (2026-03-03T07:23:19Z)
• Closing the Train-Test Gap in World Models for Gradient-Based Planning [64.36544881136405]
  本研究では,効率的な勾配計画を可能にする世界モデルの学習方法を提案する。 テスト時には,古典的勾配のないクロスエントロピー法よりも優れた手法が提案される。
  論文  参考訳（メタデータ） (2025-12-10T18:59:45Z)
• Improved particle swarm optimization algorithm: multi-target trajectory optimization for swarm drones [20.531764063763678]
  従来のParticle Swarm Optimization (PSO) 手法は、リアルタイムシナリオにおける早期収束と遅延に苦慮している。 PSOベースのオンライントラジェクトリプランナであるPE-PSOを提案する。 遺伝的アルゴリズム(GA)に基づくタスク割り当てと分散PE-PSOを組み合わせたマルチエージェントフレームワークを開発した。
  論文  参考訳（メタデータ） (2025-07-18T04:31:49Z)
• SOLVE: Synergy of Language-Vision and End-to-End Networks for Autonomous Driving [51.47621083057114]
  SOLVEは、ビジョンランゲージモデルとエンド・ツー・エンド(E2E)モデルを相乗化して自動運転車の計画を強化する革新的なフレームワークである。 提案手法は,VLMとE2Eコンポーネント間の包括的インタラクションを実現するために,共有ビジュアルエンコーダによる機能レベルでの知識共有を重視している。
  論文  参考訳（メタデータ） (2025-05-22T15:44:30Z)
• Data Scaling Laws for End-to-End Autonomous Driving [83.85463296830743]
  16時間から8192時間に及ぶ内部駆動データセット上での簡易エンド・ツー・エンド駆動アーキテクチャの性能評価を行った。 具体的には、目標の性能向上を達成するために、どの程度のトレーニングデータが必要かを調査する。
  論文  参考訳（メタデータ） (2025-04-06T03:23:48Z)
• Towards Robust Spacecraft Trajectory Optimization via Transformers [17.073280827888226]
  我々は,非最適制御問題をリアルタイムに解くための自律生成モデルを開発した。 我々はARTの能力を拡張し、確率制約のある最適制御問題に対処する。 この作業は、宇宙船のような安全クリティカルな自律システムにAI駆動のソリューションを確実に展開するための最初のステップである。
  論文  参考訳（メタデータ） (2024-10-08T00:58:42Z)
• DiFSD: Ego-Centric Fully Sparse Paradigm with Uncertainty Denoising and Iterative Refinement for Efficient End-to-End Self-Driving [55.53171248839489]
  我々は、エンドツーエンドの自動運転のためのエゴ中心の完全スパースパラダイムであるDiFSDを提案する。 特に、DiFSDは主にスパース知覚、階層的相互作用、反復的な運動プランナーから構成される。 nuScenesとBench2Driveデータセットで実施された実験は、DiFSDの優れた計画性能と優れた効率を実証している。
  論文  参考訳（メタデータ） (2024-09-15T15:55:24Z)
• Learning to Initialize Trajectory Optimization for Vision-Based Autonomous Flight in Unknown Environments [4.0543433786183485]
  未知環境における自律飛行のためのニューラル・エンハンスト・トレイ・プランナー(NEO-Planner)を提案する。 NEO-Plannerは、生のセンサー観測から直接軌道の空間的および時間的パラメータを予測することを学ぶ。 最適化を20%削減し、純粋な最適化手法と比較して軌道時間も26%減少する。
  論文  参考訳（メタデータ） (2023-09-19T15:07:26Z)
• Distributed Multi-agent Meta Learning for Trajectory Design in Wireless Drone Networks [151.27147513363502]
  本稿では,動的無線ネットワーク環境で動作するエネルギー制約型ドローン群に対する軌道設計の問題点について検討する。 値ベース強化学習(VDRL)ソリューションとメタトレイン機構を提案する。
  論文  参考訳（メタデータ） (2020-12-06T01:30:12Z)

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。