論文の概要: Generative AI for Safe and Photorealistic Drone Light Shows
- arxiv url: http://arxiv.org/abs/2606.25458v1
- Date: Wed, 24 Jun 2026 06:34:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-25 17:05:30.24694
- Title: Generative AI for Safe and Photorealistic Drone Light Shows
- Title（参考訳）: 安全でフォトリアリスティックなドローンライトショーのためのジェネレーティブAI
- Abstract要約: ドローンのライトショーは、空のエンターテイメントを再定義しているが、その普及は労働集約的な手動アニメーションによって妨げられている。
SWANは、テキストプロンプトから直接、フォトリアリスティック、大規模、衝突のないドローン振付を直接合成するエンドツーエンドパイプラインである。
シミュレーションされた2000基のドローンを安全に編成し,49基のクアッドコプターを密集した実世界の群れ上での物理的実現可能性を検証することにより,スケーラビリティを実証する。
- 参考スコア（独自算出の注目度）: 51.71264054256171
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Drone light shows are redefining aerial entertainment, yet their widespread adoption is bottlenecked by labor-intensive, manual animation. While generative AI promises an automated alternative, current frameworks fail to provide photorealism with fluid, dynamic motion. To address this limitation, we introduce SWAN, an end-to-end pipeline that synthesizes photorealistic, large-scale, and collision-free drone choreographies directly from text prompts. SWAN converts text into realistic reference videos and translates these pixel-space dynamics into physical swarm kinematics using a novel, adaptive point-tracking algorithm. Unlike existing trackers, this method maintains spatial coherence through severe occlusions and rapid topological shifts. A dedicated planner then allocates these trajectories to individual drones, while a subsequent safety filter ensures collision-free execution. We demonstrate scalability by safely orchestrating simulated 2,000-drone formations and validate physical feasibility on a dense real-world swarm of 49 quadcopters, operating everything entirely on standard consumer hardware. Combined, this work demonstrates how generative AI can be leveraged to automate multi-robot choreography design, providing an accessible new framework for drone light shows.
- Abstract（参考訳）: ドローンのライトショーは、空のエンターテイメントを再定義しているが、その普及は労働集約的な手動アニメーションによって妨げられている。
生成AIは自動化された代替手段を約束するが、現在のフレームワークは、流動的でダイナミックなモーションを備えたフォトリアリズムを提供していない。
この制限に対処するため、SWANは、テキストプロンプトから直接、フォトリアリスティック、大規模、衝突のないドローン振付を合成するエンドツーエンドパイプラインである。
SWANはテキストをリアルな参照ビデオに変換し、これらのピクセル空間のダイナミクスを新しい適応的な点追跡アルゴリズムを用いて物理スウォーム運動学に変換する。
既存のトラッカーとは異なり、この手法は厳密なオクルージョンと急激なトポロジカルシフトを通じて空間的コヒーレンスを維持する。
専用のプランナーがこれらの軌道を個々のドローンに割り当て、その後に安全フィルタが衝突のない実行を保証します。
シミュレーションされた2000基のドローンを安全に編成し、49基のクアッドコプターの密集した現実世界で物理的実現可能性を検証することでスケーラビリティを実証し、すべて標準の消費者向けハードウェアで運用する。
この研究は、生成AIをどのように活用してマルチロボットコレオグラフィー設計を自動化するかを示し、ドローンのライトショーにアクセスできる新しいフレームワークを提供する。
関連論文リスト
- GS-Playground: A High-Throughput Photorealistic Simulator for Vision-Informed Robot Learning [55.272458304179025]
GS-Playgroundは、エンド・ツー・エンドの知覚学習を促進するために設計されたマルチモーダル・シミュレーション・フレームワークである。
このシステムは640x480の解像度で104 FPSのスループットを達成し、大規模な視覚的RLの障壁を著しく低減する。
論文 参考訳（メタデータ） (2026-04-28T10:05:39Z) - RobotPan: A 360$^\circ$ Surround-View Robotic Vision System for Embodied Perception [47.76543396190029]
6台のカメラをLiDARと組み合わせて360ドル(約3万2000円)のビジュアルカバレッジを提供するサラウンドビューロボットビジョンシステムを導入する。
また、キャリブレーションされたスパースビューの入力から、エンフェロメトリースケールとエンフェロパクトの3Dガウスを予測できるフィードフォワードフレームワークであるtextscRobotPan を提示する。
実験により,textscRobotPanはフィードフォワードの事前再構成やビュー合成手法と競合する品質を実現することが示された。
論文 参考訳（メタデータ） (2026-04-15T04:58:23Z) - Enhancing Drone Light Shows Performances: Optimal Allocation and Trajectories for Swarm Drone Formations [0.0]
ドローンライトショー(DLShows)は、Swarmロボティクスの急速に普及している応用である。
この記事では、Unified Assignment and Trajectory Generationフレームワークを紹介します。
このフレームワークは DLShow 用に特別に設計されており、構成間の遷移時間を最小限に抑える。
論文 参考訳（メタデータ） (2026-03-25T15:16:51Z) - V-Dreamer: Automating Robotic Simulation and Trajectory Synthesis via Video Generation Priors [30.872127145725187]
V-Dreamerは、オープン語彙でシミュレーション可能な操作環境を生成する、完全に自動化されたフレームワークである。
V-Dreamerは、物理的に接地された3Dシーンを構成する新しい生成パイプラインを使用している。
我々は,本ポリシーがシミュレーションにおいて未確認オブジェクトに対して堅牢に一般化し,効率的なsim-to-real転送を実現することを示す。
論文 参考訳（メタデータ） (2026-03-19T12:00:04Z) - EmbodMocap: In-the-Wild 4D Human-Scene Reconstruction for Embodied Agents [85.77432303199176]
EmbodMocapは2つの動くiPhoneを使ったポータブルで安価なデータ収集パイプラインである。
私たちのキーとなるアイデアは、二重RGB-Dシーケンスを共同で校正し、人間とシーンの両方を再構築することです。
収集したデータに基づいて、我々は3つの具体的AIタスクを強化した: モノクラーヒューマン・シーン・リコンストラクション(モノクラーヒューマン・シーン・リコンストラクション)、メトリックスケールで世界空間に整合した人間とシーンを出力するフィードフォワードモデル、物理ベースのキャラクターアニメーション。
論文 参考訳（メタデータ） (2026-02-26T16:53:41Z) - TextOp: Real-time Interactive Text-Driven Humanoid Robot Motion Generation and Control [62.93681680333618]
TextOpはリアルタイムテキスト駆動型ヒューマノイドモーション生成および制御フレームワークである。
ストリーミング言語コマンドと実行中のオンザフライ命令修正をサポートする。
対話型モーション生成を堅牢な全身制御でブリッジすることで、TextOpは自由形式のインテント表現をアンロックする。
論文 参考訳（メタデータ） (2026-02-07T08:42:11Z) - What Happens Next? Anticipating Future Motion by Generating Point Trajectories [76.16266402727643]
一つの画像から動きを予測し、世界の物体がどのように動くかを予測する問題を考察する。
我々はこのタスクを,現代のビデオジェネレータのアーキテクチャを忠実に追従するモデルを用いて,高密度トラジェクトリグリッドの条件生成として定式化する。
このアプローチはシーン全体のダイナミクスと不確実性を捉え、以前の回帰器やジェネレータよりも正確で多様な予測をもたらす。
論文 参考訳（メタデータ） (2025-09-25T21:03:56Z) - Unreal Robotics Lab: A High-Fidelity Robotics Simulator with Advanced Physics and Rendering [4.760567755149477]
本稿では,Unreal Engineの高度なレンダリング機能とMuJoCoの高精度物理シミュレーションを統合する新しいシミュレーションフレームワークを提案する。
我々のアプローチは、正確な物理的相互作用を維持しながら、現実的なロボット知覚を可能にする。
フレームワーク内のビジュアルナビゲーションとSLAMメソッドをベンチマークし、制御されながら多様なシナリオで実世界のロバスト性をテストするための実用性を実証する。
論文 参考訳（メタデータ） (2025-04-19T01:54:45Z) - EnerVerse: Envisioning Embodied Future Space for Robotics Manipulation [55.26713167507132]
本稿では,エンボディ空間の構築と解釈を行う生成ロボティクス基礎モデルを提案する。
EnerVerseは、自己回帰的ビデオ拡散フレームワークを使用して、命令から将来のエンボディドスペースを予測する。
本稿では,生成モデルと4次元ガウススプラッティングを組み合わせたデータエンジンパイプラインであるEnerVerse-Dについて述べる。
論文 参考訳（メタデータ） (2025-01-03T17:00:33Z) - Open-World Drone Active Tracking with Goal-Centered Rewards [62.21394499788672]
Drone Visual Active Trackingは、視覚的な観察に基づいてモーションシステムを制御することで、対象物を自律的に追跡することを目的としている。
DATは,世界初となるエア・ツー・グラウンド・トラッキング・ベンチマークである。
また,複雑なシナリオにおけるドローン追跡目標の性能向上を目的としたGC-VATを提案する。
論文 参考訳（メタデータ） (2024-12-01T09:37:46Z) - Unified Control Framework for Real-Time Interception and Obstacle Avoidance of Fast-Moving Objects with Diffusion Variational Autoencoder [2.5642257132861923]
動的環境におけるロボットアームによる高速移動物体のリアルタイムインターセプションは、非常に困難な課題である。
本稿では,動的オブジェクトを同時にインターセプトし,移動障害を回避することで,課題に対処する統一的な制御フレームワークを提案する。
論文 参考訳（メタデータ） (2022-09-27T18:46:52Z)
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。