論文の概要: FPAS: Frontier-Based Path Planning with Adaptive Sampling for Large-Scale Unknown Environments

• arxiv url: http://arxiv.org/abs/2606.22838v1
• Date: Mon, 22 Jun 2026 04:24:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 04:10:57.364288
• Title: FPAS: Frontier-Based Path Planning with Adaptive Sampling for Large-Scale Unknown Environments
• Title（参考訳）: FPAS: 大規模未知環境に対する適応サンプリングを用いたフロンティアベースの経路計画
• Authors: Jinwoo Choi, Yeonkyu Lee, Jung-Taak Kim, Jisung Bae, Seung-Woo Seo,
• Abstract要約: 適応サンプリングを用いたフロンティア型経路計画法(FPAS)を提案する。 FPASは、大規模で未知の環境での効率的なゴール取得のために設計された新しいフレームワークである。
• 参考スコア（独自算出の注目度）: 13.528491182593264
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this work, we propose Frontier-based Path Planning with Adaptive Sampling (FPAS), a novel framework designed for efficient goal-reaching in large-scale, unknown environments. While existing planners often struggle with computational bottlenecks or inefficient paths during long-range navigation, FPAS overcomes these challenges by reinterpreting the frontier concept for goal-directed tasks. Specifically, our method leverages frontiers to effectively guide forward progression into unobserved regions and to select promising subgoals for backtracking from dead-ends or inefficient paths. Furthermore, FPAS introduces an adaptive sampling mechanism based on a frontier-derived openness metric. This mechanism dynamically adjusts the global graph's density by employing sparse nodes in open areas to alleviate computational burdens, while preserving denser sampling in narrow passages to ensure connectivity. Extensive evaluations demonstrate that FPAS substantially improves computational efficiency over baseline methods while maintaining highly competitive goal-reaching performance.
• Abstract（参考訳）: 本研究では、大規模で未知の環境での効率的なゴール取得を目的とした新しいフレームワークであるFPAS(Frontier-based Path Planning with Adaptive Smpling)を提案する。 既存のプランナーは長距離ナビゲーションにおいて計算ボトルネックや非効率パスに悩まされることが多いが、FPASはゴール指向タスクのフロンティア概念を再解釈することでこれらの課題を克服する。 具体的には、フロンティアを利用して、観測されていない領域への進行を効果的に誘導し、デッドエンドや非効率パスからのバックトラックのための有望なサブゴールを選択する。 さらに、FPASはフロンティア由来の開度測定値に基づく適応サンプリング機構を導入する。 この機構は、狭い通路でより密度の高いサンプリングを行い、接続性を確保する一方で、計算負担を軽減するために開領域のスパースノードを用いることで、グローバルグラフの密度を動的に調整する。 FPASは,競争力の高い目標達成性能を維持しつつ,ベースライン法よりも計算効率を大幅に向上することを示す。

関連論文リスト

• Self-Distilled Trajectory-Aware Boltzmann Modeling: Bridging the Training-Inference Discrepancy in Diffusion Language Models [65.89572755202245]
  拡散言語モデル(DLM)は、より強力なグローバル認識と高い並列生成を提供する。 標準負のエビデンス下界(NELBO)に基づく教師付き微調整後のDLMは非効率である。 そこで本研究では,学習を推論の容易かつハードな構造に整合させる,自己蒸留軌道に基づくポストトレーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-12T09:39:06Z)
• Sampling-Based Control via Entropy-Regularized Optimal Transport [18.278741443124655]
  OT-MPCは、エントロピー規則化された最適輸送定式化によって制限を克服するサンプリングベースのアルゴリズムである。 我々は、Sinkhornアルゴリズムを用いて、クローズドな勾配のない更新を導出し、リアルタイムな性能を実現する。
  論文  参考訳（メタデータ） (2026-05-04T02:07:15Z)
• The Offline-Frontier Shift: Diagnosing Distributional Limits in Generative Multi-Objective Optimization [56.39938641873341]
  生成法は, 世代間距離などの他の指標に対して, 進化的オルタナティブを系統的に過小評価することを示す。 この制限を克服するには、客観空間における分配外サンプリングが必要であると論じる。 本研究は, オフラインMOOを分散シフト制限問題として位置づけ, 生成最適化手法が失敗する原因と原因を理解するための診断レンズを提供する。
  論文  参考訳（メタデータ） (2026-02-11T18:38:40Z)
• Hierarchical Informative Path Planning via Graph Guidance and Trajectory Optimization [10.020847331719398]
  エージェントがガウス過程 (GP) としてモデル化された潜伏場の測定を収集し, 対象地における不確実性を低減するため, 乱雑な環境下での移動予算を考慮した情報経路計画 (IPP) について検討する。 i) グラフに基づくグローバルプランニング, (ii) 幾何学的およびカーネル境界を用いたセグメント単位の予算配分, (iii) 厳密な制約と障害物刈取を伴う各セグメントのスプラインベース改良の3段階からなる階層的フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-23T23:27:20Z)
• Generalizable Collaborative Search-and-Capture in Cluttered Environments via Path-Guided MAPPO and Directional Frontier Allocation [7.6658082440595186]
  乱雑な環境における協調的追従回避は、まばらな報酬と制約された視野による重大な課題を示す。 反応制御によるトポロジカルプランニングをブリッジする階層型フレームワークであるPGF-MAPPOを提案する。 実験により、PGF-MAPPOはより高速なエバダに対して捕集効率が優れていることが示された。
  論文  参考訳（メタデータ） (2025-12-10T08:09:12Z)
• Trust Region Constrained Measure Transport in Path Space for Stochastic Optimal Control and Inference [49.11857020431547]
  信頼領域に基づく戦略は,対象尺度の先行から幾何的アニーリングと解釈できることを示す。 我々は,新しい手法が性能を大幅に向上させることができることを,複数の最適制御応用で実証した。
  論文  参考訳（メタデータ） (2025-08-17T22:10:35Z)
• Aligning Latent Spaces with Flow Priors [72.24305287508474]
  本稿では,学習可能な潜在空間を任意の目標分布に整合させるための新しいフレームワークを提案する。 特に,提案手法は計算コストの高い確率評価を排除し,最適化時のODE解決を回避する。
  論文  参考訳（メタデータ） (2025-06-05T16:59:53Z)
• Thompson sampling for improved exploration in GFlowNets [75.89693358516944]
  生成フローネットワーク(Generative Flow Networks, GFlowNets)は、合成対象物上の分布からのサンプリングを、学習可能なアクションポリシーを用いたシーケンシャルな意思決定問題として扱う、アモータイズされた変分推論アルゴリズムである。 2つの領域において、TS-GFNは、過去の研究で使われたオフ・ポリティクス・サーベイ・ストラテジーよりも、探索を改善し、目標分布への収束を早くすることを示す。
  論文  参考訳（メタデータ） (2023-06-30T14:19:44Z)
• Learning Coverage Paths in Unknown Environments with Deep Reinforcement Learning [17.69984142788365]
  被覆経路計画 (CPP) は、制限された領域の自由空間全体をカバーする経路を見つける問題である。 この課題に対する強化学習の適性について検討する。 本稿では,フロンティアに基づく計算可能なエゴセントリックマップ表現と,全変動に基づく新たな報酬項を提案する。
  論文  参考訳（メタデータ） (2023-06-29T14:32:06Z)

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。