論文の概要: 3D Underwater Path Planning via Generative Flow Field Surrogates

• arxiv url: http://arxiv.org/abs/2606.06077v1
• Date: Thu, 04 Jun 2026 12:14:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-05 22:39:44.778646
• Title: 3D Underwater Path Planning via Generative Flow Field Surrogates
• Title（参考訳）: ジェネレーションフローフィールド・サロゲートによる水中3次元経路計画
• Authors: Zachary Cooper-Baldock, Paulo E. Santos, Russell S. A. Brinkworth, Karl Sammut,
• Abstract要約: 三次元プロペラウェイク問題を解くために、2つの条件付き生成逆ネットワーク(cGAN)アーキテクチャを用いる。 フルCFDウェイク知識はエネルギー支出を5.7-12.5%削減し、高速ウェイクコアの遭遇を77.8%削減する。 これらの結果から,3次元海洋観測におけるCGAN予測流体場の下流経路計画値の体系的計算が可能となった。
• 参考スコア（独自算出の注目度）: 0.7466390172678969
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Autonomous underwater vehicle (AUV) launch and recovery (LAR) into the hull of an advancing host platform requires traversal of a complex, three-dimensional propeller wake whose hydrodynamic structure cannot be characterised by a uniform current model. High-fidelity Reynolds-Averaged Navier-Stokes (RANS) Computational Fluid Dynamics (CFD) simulations resolve this structure with sufficient accuracy for path planning, but their computational cost renders them impractical for onboard use. We address this gap by integrating two conditional generative adversarial network (cGAN) architectures -- a regularised PatchGAN and a 2D3DGAN with self-attention -- as drop-in replacements for RANS CFD data within a three-dimensional, energy-weighted A* path planning framework. Both generators are driven by a hierarchical pipeline that synthesises full $128^3$ voxel flow field volumes from scalar operating condition inputs alone, with end-to-end inference times of approximately 28-146 $μ$s, compared to hours for a single RANS computation. We benchmark all four environmental knowledge levels: uniform current, ground-truth CFD, PatchGAN, and 2D3DGAN~SA across 19,800 independently generated trajectories spanning 550 distinct flow conditions. Full CFD wake knowledge reduces energy expenditure by 5.7-12.5% and high-velocity wake-core encounters by up to 77.8% relative to uniform-current planning, with both benefits scaling with operating severity. The cGAN surrogates recover approximately 45-60% of the CFD energy benefit and high-velocity cell avoidance benefit while operating at inference speeds compatible with edge device use. These results provide the first systematic quantification of the downstream path planning value of cGAN-predicted hydrodynamic fields in a three-dimensional maritime robotics application.
• Abstract（参考訳）: 自律型水中車両 (AUV) の発射と回収 (LAR) は、一様電流モデルでは特徴付けられない複雑な3次元プロペラ・ウェイクの軌道を必要とする。 高忠実なレイノルズ平均ナビエ・ストークス (RANS) 計算流体力学 (CFD) シミュレーションは、経路計画に十分な精度でこの構造を解くが、その計算コストは搭載に不実用である。 本研究では, RANS CFDデータを3次元, エネルギー重み付けされたA*経路計画フレームワークにドロップインとして, 正規化されたPatchGANと自己アテンション付き2D3DGANの2つの条件生成対向ネットワーク(cGAN)アーキテクチャを統合することで, このギャップに対処する。 どちらのジェネレータも階層的なパイプラインによって駆動され、128^3$のボクセルフローの体積をスカラー動作条件のみから合成し、エンドツーエンドの推論時間は28-146$μ$sである。 この4つの環境知識レベル(一様電流,地中CFD,PatchGAN,および2D3DGAN~SA)について,それぞれ独立に550の異なる流れ条件にまたがる2D3DGAN~SAをベンチマークした。 フルCFDのウェイク知識はエネルギー支出を5.7-12.5%減らし、高速のウェイクコアの遭遇を77.8%減らした。 cGANサロゲートは、エッジデバイスの使用と互換性のある推論速度を操作しながら、CFDエネルギー利益の約45-60%と高速セル回避利益の約45-60%を回復する。 これらの結果は,3次元海洋ロボット工学アプリケーションにおいて,cGAN予測流体場の下流経路計画値を初めて体系的に定量化するものである。

関連論文リスト

• Scaling Parallel Sequence Models to Foundation-Scale Vision Encoders [123.58723804218151]
  ビジョンファウンデーションモデルは、自己注意の二次的なコストによってボトルネックとなる。 2次元空間伝搬伝搬に基づくC-GSPNを提案する。
  論文  参考訳（メタデータ） (2026-05-30T14:29:43Z)
• DriveAnchor: Progressive Anchor-based Flow Learning for Autonomous Driving Planning [6.848508447210393]
  DriveAnchorは、自動運転計画のためのフレームワークである。 構成可能なパイプラインにおいて、振る舞いの多様性、制御可能性、安全性を実現する。 近距離衝突速度を89%削減し、模倣精度を低下させることなく平均報酬を32%改善する。
  論文  参考訳（メタデータ） (2026-05-30T04:17:59Z)
• DRIFT: Joint Channel Estimation and Prediction Towards Pilotless 6G Non-Terrestrial Networks [42.98774141919918]
  非地球ネットワーク(NTN)は、ユビキタス接続と大規模な通信を可能にすることにより、第6世代(6G)システムにおいて重要な役割を果たすことが期待されている。 チャネル予測は、パイロットのオーバーヘッドを制限することでスペクトル利用効率を向上させるための重要な手法として現れる。 人工知能(AI)に基づく多くの予測器は推論の複雑さが特徴である。
  論文  参考訳（メタデータ） (2026-05-29T09:35:35Z)
• Geometry-Aware Surrogate for Real-Time Hydrodynamics Estimation of Autonomous Ground Vehicles in Amphibious Environments [0.0]
  この研究は、幾何学的-流体力学的力をリアルタイムで予測することでギャップを埋める、地下ニューラルネットワークサロゲートを提示する。 車両固有距離場 (SDF) は, 車両形状, 深度, 流れ方向によってどのように荷重が変化するかをモデルが決定できるように, 地下沈下入力を提供する。 実環境下でのモデル評価には,水深の異なるフルスケール車両の水圧試験を用いる。
  論文  参考訳（メタデータ） (2026-05-18T15:24:23Z)
• RAD-2: Scaling Reinforcement Learning in a Generator-Discriminator Framework [49.531001563853984]
  RAD-2はクローズドループ計画のための統一されたジェネレータ・ディスクリミネーターフレームワークである。 様々な軌道候補を生成する一方、RL最適化判別器は、これらの候補を長期的な運転品質に応じて再現する。 強い拡散ベースのプランナーに比べて衝突速度を56%削減する。
  論文  参考訳（メタデータ） (2026-04-16T17:59:44Z)
• MobileGeo: Exploring Hierarchical Knowledge Distillation for Resource-Efficient Cross-view Drone Geo-Localization [47.16612614191333]
  クロスビューなジオローカライゼーションにより、航空画像とジオタグ付き衛星データベースとのマッチングによるドローンのローカライゼーションが可能になる。 MobileGeoは、デバイス上の効率的なCVGL用に設計されたモバイルフレンドリーなフレームワークである。 MobileGeoはNVIDIA AGX Orinエッジデバイス上で251.5FPSで動作する。
  論文  参考訳（メタデータ） (2025-10-26T08:47:20Z)
• Wake-Informed 3D Path Planning for Autonomous Underwater Vehicles Using A* and Neural Network Approximations [0.0]
  従来の経路計画手法では、詳細なウェイク構造を組み込むことができず、結果としてエネルギー消費が増加し、制御安定性が低下し、安全性のリスクが高まる。 本稿では,局所的な覚醒効果と大域的な電流を計画アルゴリズムに統合した新しい3次元経路計画手法を提案する。 その結果、ウェイクインフォームされたA*プランナーは、常に最低エネルギー消費を達成し、高速度領域との遭遇を最小限に抑えることを示した。
  論文  参考訳（メタデータ） (2025-02-04T01:23:23Z)
• SCoTT: Strategic Chain-of-Thought Tasking for Wireless-Aware Robot Navigation in Digital Twins [78.53885607559958]
  無線対応経路計画フレームワークであるSCoTTを提案する。 SCoTT は DP-WA* の2% 以内で経路ゲインを達成し, 連続的に短い軌道を生成できることを示す。 また,ガゼボシミュレーションにおいて,SCoTTをROSノードとして配置することにより,本手法の実用性を示す。
  論文  参考訳（メタデータ） (2024-11-27T10:45:49Z)
• Navigation in a simplified Urban Flow through Deep Reinforcement Learning [0.9217021281095907]
  都市環境における無人航空機(UAV)は、環境への影響を最小限に抑える戦略を必要とする。 我々の目標は、都市環境下での無人航法を可能にするDRLアルゴリズムを開発することである。
  論文  参考訳（メタデータ） (2024-09-26T15:05:15Z)
• 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。