論文の概要: FlexPath: Learned Semantic Path Priors for Image-Based Planning

• arxiv url: http://arxiv.org/abs/2606.10167v1
• Date: Mon, 08 Jun 2026 20:53:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-10 15:40:58.189401
• Title: FlexPath: Learned Semantic Path Priors for Image-Based Planning
• Title（参考訳）: FlexPath: イメージベースプランニングのためのセマンティックパスの事前学習
• Authors: Taehyoung Kim, Tim Schoenbrod, David Eckel, Henri Meeß,
• Abstract要約: 私たちはFlexPathという2段階のフレームワークを紹介します。 最短経路計画では、FlexPathは最先端のTransPathに比べてTMPの検索労力を14.3%削減している。 最小クリアランス距離2の障害物クリアランスでは、探索コストを低く保ちながら96.8%の完全な障害物回避を実現する。
• 参考スコア（独自算出の注目度）: 2.739231894601598
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent learning-based path planners use neural networks to process visual map representations and approximate heuristics for classical search algorithms, yielding near-optimal paths with reduced search effort. However, these methods are tied to the shortest-path objective implicit in their supervision, which limits their flexibility to accommodate alternative criteria. We introduce FlexPath, a two-stage framework that decouples feasibility from preference. In Stage 1, we use imitation learning to acquire a task-independent spatial prior over feasible paths from visual map inputs. In Stage 2, differentiable Path Shape Objectives (PSOs) adapt this prior toward task-specific criteria without relearning path structure, requiring only efficient objective-level adaptation. A single pretrained model can be adapted to multiple objectives. For shortest-path planning, FlexPath reduces search effort on TMP by 14.3% compared to the state-of-the-art TransPath, while also finding lower-cost paths on average and demonstrating strong zero-shot generalization across three unseen domains. For obstacle clearance with minimum clearance distance 2, it achieves 96.8% full obstacle avoidance while maintaining low search cost. The framework further extends to semantic-aware avoidance and waypoint guidance via objective-level adaptation, and remains compatible with classical planners at inference time. Data and code are available at https://github.com/FraunhoferIVI/FlexPath.
• Abstract（参考訳）: 最近の学習ベースのパスプランナーは、ニューラルネットワークを使用して、古典的な検索アルゴリズムの視覚マップ表現と近似ヒューリスティックを処理し、探索の労力を減らし、最適に近いパスを生成する。 しかしながら、これらの手法は、その監督において最も短いパスの客観的な目的に結びついており、その柔軟性は代替基準に適合するように制限されている。 私たちはFlexPathという2段階のフレームワークを紹介します。 ステージ1では、視覚マップ入力から実現可能な経路よりも、タスク非依存の空間的事前情報を取得するために模倣学習を用いる。 段階2では、微分可能経路形状オブジェクト(PSO)は、経路構造を再学習せずにタスク固有の基準に適応し、効果的な目標レベル適応のみを必要とする。 1つの事前訓練されたモデルは、複数の目的に適応することができる。 最短経路計画では、FlexPathは最先端のTransPathと比較してTMPの検索労力を14.3%削減し、また平均して低コストのパスを見つけ、3つの目に見えない領域で強力なゼロショットの一般化を示す。 最小クリアランス距離2の障害物クリアランスでは、探索コストを低く保ちながら96.8%の完全な障害物回避を実現する。 このフレームワークはさらに、客観的なレベルの適応による意味認識回避とウェイポイントガイダンスにまで拡張され、推論時に古典的なプランナーと互換性が保たれている。 データとコードはhttps://github.com/FraunhoferIVI/FlexPath.comで入手できる。

関連論文リスト

• STAR: Semantic-Tuned and Tail-Adaptive Retriever for Graph-Augmented Generation [69.66045538889777]
  本稿では,GraphRAGのためのセマンティックチューニングとテール適応型レトリバーSTARを提案する。 STARは一貫してベースラインを上回り、平均検索性能は1.8%向上した。
  論文  参考訳（メタデータ） (2026-04-11T10:16:51Z)
• REST: Receding Horizon Explorative Steiner Tree for Zero-Shot Object-Goal Navigation [31.04470860657085]
  ゼロショットオブジェクトゴールナビゲーション(ZSON)では、タスク固有のトレーニングなしでターゲットオブジェクトを見つけるために未知の環境をナビゲートする必要がある。 textitREST(Receding Horizon Explorative Steiner Tree)は、オンラインRGB-Dストリームから明示的なオープンな3Dマップを構築する、トレーニング不要のフレームワークです。
  論文  参考訳（メタデータ） (2026-03-19T08:43:40Z)
• Transform-Invariant Generative Ray Path Sampling for Efficient Radio Propagation Modeling [5.567300300236187]
  レイトレーシングは正確な電波伝搬モデリングの標準となっているが、計算複雑性に悩まされている。 本稿では,総合的な機械学習支援フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-02T09:37:34Z)
• Efficient Path Generation with Curvature Guarantees by Mollification [2.6381163133447836]
  本稿では,非微分可能関数を正規化し,モーフィフィケーションによって実現可能な経路を生成する手法を提案する。 具体的には、任意の精度で収束できる微分可能な関数を持つ任意の経路を近似する。 提案手法は標準手法よりも解析的に効率的であり,マイクロコントローラのリアルタイム実装を可能にする。
  論文  参考訳（メタデータ） (2025-12-15T10:48:42Z)
• Path-LLM: A Shortest-Path-based LLM Learning for Unified Graph Representation [6.401420962078335]
  統一グラフ表現を効率的に学習するための新しいパス-LLMモデルを提案する。 私たちのフレームワークは、よく設計された4つのテクニックで構成されています。 WalkLMと比較して、我々のアプローチは数百万のグラフ上でのトレーニングパスの90%以上を節約し、少なくとも35倍高速に動作します。
  論文  参考訳（メタデータ） (2024-08-10T06:35:11Z)
• Affordances-Oriented Planning using Foundation Models for Continuous Vision-Language Navigation [64.84996994779443]
  本稿では,連続視覚言語ナビゲーション(VLN)タスクのためのAffordances-Oriented Plannerを提案する。 我々のAO-Plannerは、様々な基礎モデルを統合して、アベイランス指向の低レベルな動き計画とハイレベルな意思決定を実現する。 挑戦的なR2R-CEデータセットとRxR-CEデータセットの実験は、AO-Plannerが最先端のゼロショットのパフォーマンスを達成したことを示している。
  論文  参考訳（メタデータ） (2024-07-08T12:52:46Z)
• LLM-A*: Large Language Model Enhanced Incremental Heuristic Search on Path Planning [91.95362946266577]
  経路計画はロボット工学と自律航法における基本的な科学的問題である。 A*やその変種のような伝統的なアルゴリズムは、パスの妥当性を保証することができるが、状態空間が大きくなるにつれて、計算とメモリの非効率が著しく低下する。 本稿では, A* の正確なパスフィニング能力と LLM のグローバルな推論能力とを相乗的に組み合わせた LLM ベースの経路計画法を提案する。 このハイブリッドアプローチは、特に大規模シナリオにおいて、パス妥当性の完全性を維持しながら、時間と空間の複雑さの観点からパスフィニング効率を向上させることを目的としている。
  論文  参考訳（メタデータ） (2024-06-20T01:24:30Z)
• GraphWalks: Efficient Shape Agnostic Geodesic Shortest Path Estimation [93.60478281489243]
  3次元曲面上の測地線経路を近似する学習可能なネットワークを提案する。 提案手法は,最短経路の効率的な近似と測地距離推定を提供する。
  論文  参考訳（メタデータ） (2022-05-30T16:22:53Z)
• Cream of the Crop: Distilling Prioritized Paths For One-Shot Neural Architecture Search [60.965024145243596]
  ワンショット重み共有手法は、高効率と競争性能のため、最近、ニューラルアーキテクチャ探索において大きな注目を集めている。 この問題を軽減するため, 単純で効果的な蒸留法を提案する。 本稿では、訓練中に優れた性能を示すアーキテクチャ候補を指す優先順位付けパスの概念を紹介する。 優先順位付けされた経路は、その性能や複雑さに応じて、ハエで変化するため、最終的な経路は作物のクリームである。
  論文  参考訳（メタデータ） (2020-10-29T17:55:05Z)

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。