論文の概要: Time-Optimal Collision Avoidance Via a Greedy Polynomial Backward Sweep

• arxiv url: http://arxiv.org/abs/2606.01169v1
• Date: Sun, 31 May 2026 11:21:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:29.354795
• Title: Time-Optimal Collision Avoidance Via a Greedy Polynomial Backward Sweep
• Title（参考訳）: グレディ・ポリノミアル・バック・スウィープによる時間最適衝突回避
• Authors: Zeno Pavanello, Frank De Veld, Roberto Armellin,
• Abstract要約: 本稿では,グリーディ時間最適法(GTO)を提案する。 この方法は、最も近いアプローチの命名時から始まり、選択された危険度を局所的に最小化するスラスト方向を各ステップごとに選択し、反復的に後方に操作を伝播する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Spacecraft collision avoidance for low-thrust satellites often requires determining not only how to maneuver, but also how late a maneuver can begin while still ensuring safety. This paper presents a greedy time-optimal (GTO) backward-sweep method to find the latest maneuver initiation time. The method starts from the nominal time of closest approach and iteratively propagates the maneuver backward in time, selecting at each step the thrust direction that locally minimizes the chosen danger metric. Differential algebra is used to efficiently propagate state sensitivities and update the time of closest approach online. The method is tested on a large dataset of conjunctions, using both miss distance and probability of collision as safety metrics. The approach achieves accurate results and only a small loss of optimality relative to an optimal-control benchmark, while retaining runtimes suitable for on-board implementation.
• Abstract（参考訳）: 低推力衛星に対する宇宙船の衝突回避には、操作方法だけでなく、安全を確保しながら操作の開始がどれくらい遅いかを判断する必要があることが多い。 本稿では,グリーディ時間最適法(GTO)を提案する。 この方法は、最も近いアプローチの命名時から始まり、選択された危険度を局所的に最小化するスラスト方向を各ステップごとに選択し、反復的に後方に操作を伝播する。 微分代数学は、状態の感度を効率的に伝播し、最も近いアプローチの時間をオンラインで更新するために用いられる。 この手法は、ミス距離と衝突の確率の両方を安全指標として、協力関係の大規模なデータセット上で試験される。 このアプローチは、オンボード実装に適したランタイムを維持しながら、正確な結果と、最適制御ベンチマークに対する最適性の損失を少なく抑える。

関連論文リスト

• Local Path Optimization in The Latent Space Using Learned Distance Gradient [14.220732305518583]
  制約された運動計画は、ロボット操作において一般的な問題であるが難しい問題である。 本稿では,ロボットと障害物の最小距離を予測するためにニューラルネットワークを訓練する手法を提案する。 学習された距離勾配は、ロボットを障害物から遠ざけるために潜伏空間の移動方向を計算するために使用される。
  論文  参考訳（メタデータ） (2025-12-30T14:56:09Z)
• Centaur: Robust End-to-End Autonomous Driving with Test-Time Training [84.78837437133234]
  我々は,手作業によるルールやコスト関数に頼ることなく,テストタイムトレーニングを通じてプランナーの行動を更新するCentaurを提案する。 本稿では,クラスタ・エントロピー(Cluster Entropy,クラスタ・エントロピー)と呼ばれる新しい不確実性尺度を開発した。
  論文  参考訳（メタデータ） (2025-03-14T17:59:41Z)
• 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)
• 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)
• SPARE: Symmetrized Point-to-Plane Distance for Robust Non-Rigid 3D Registration [77.13381026159111]
  本研究では,SPAREを提案する。SPAREは,非剛性登録のための対称化点-平面間距離を用いた新しい定式化である。 提案手法は, 厳密でない登録問題の精度を大幅に向上し, 比較的高い解効率を維持する。
  論文  参考訳（メタデータ） (2024-05-30T15:55:04Z)
• Learning-Aided Warmstart of Model Predictive Control in Uncertain Fast-Changing Traffic [2.0965639599405366]
  我々は、ネットワークベースのマルチモーダル予測器を用いて、自律走行車軌道の提案を生成する。 このアプローチにより,複数の局所最小値の同定が可能となり,初期推定精度が向上する。 我々はモンテカルロシミュレーションによるアプローチを異なるシナリオで検証する。
  論文  参考訳（メタデータ） (2023-10-04T16:00:21Z)
• Time-Optimal Planning for Quadrotor Waypoint Flight [50.016821506107455]
  立方体の作動限界における時間-最適軌道の計画は未解決の問題である。 四重項のアクチュエータポテンシャルをフル活用する解を提案する。 我々は、世界最大規模のモーションキャプチャーシステムにおいて、実世界の飛行における我々の方法を検証する。
  論文  参考訳（メタデータ） (2021-08-10T09:26:43Z)
• Chance-Constrained Trajectory Optimization for Safe Exploration and Learning of Nonlinear Systems [81.7983463275447]
  学習に基づく制御アルゴリズムは、訓練のための豊富な監督を伴うデータ収集を必要とする。 本稿では,機会制約付き最適制御と動的学習とフィードバック制御を統合した安全な探索による最適動作計画のための新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2020-05-09T05:57:43Z)

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。