論文の概要: BOWConnect: Parallel Bayesian Optimization over Windows with Learned Local Cost Maps for Sample-Efficient Kinodynamic Motion Planning
- arxiv url: http://arxiv.org/abs/2606.27292v1
- Date: Thu, 25 Jun 2026 17:11:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-26 18:46:32.374307
- Title: BOWConnect: Parallel Bayesian Optimization over Windows with Learned Local Cost Maps for Sample-Efficient Kinodynamic Motion Planning
- Title（参考訳）: BOWConnect: ローカルコストマップを学習したWindows上での並列ベイズ最適化
- Abstract要約: 本稿では,並列キノダイナミックモーションプランナであるBOWConnectについて述べる。
これは、高次元状態空間におけるサンプル非効率性、信頼できないサンプリング、狭い空間における性能の3つの基本的な制限に対処する。
学習ベースの探索フレームワークとしてBOWを統合しており、各作業者はローカルマップと制約を学び、動的に実現可能で衝突のないコントロールへと導くことができる。
- 参考スコア（独自算出の注目度）: 1.4499463058550681
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper presents BOWConnect, a bidirectional parallel kinodynamic motion planner that addresses three fundamental limitations of existing sampling-based methods: sample inefficiency in high-dimensional state spaces, unreliable cost heuristics under dynamic constraints, and poor performance in narrow passage environments. Unlike classical planners that rely on random control sampling and geometric distance heuristics, BOWConnect integrates Bayesian Optimization over Windows (BOW) as a learning-based steering function within a parallel tree-based exploration framework, enabling each worker to learn local cost maps and constraints to guide sampling toward dynamically feasible and collision-free controls. A bidirectional architecture simultaneously grows forward and backward trees from the start and goal regions in parallel threads, with a spatial hashing mechanism enabling fast connection queries and a boundary value problem solver generating kinodynamically consistent bridge trajectories. Extensive evaluations across ten benchmark environments demonstrate that BOWConnect achieves 100\% success while delivering the fastest or near-fastest planning time in complex scenarios, including narrow passages and non-convex spaces where state-of-the-art planners fail or degrade substantially. Real-world deployment on a ground vehicle and a quadrotor confirms real-time planning with no collisions. Videos of real-world and simulated experiments, high-resolution versions of the figures, and the open-source code are available at https://bow-connect.github.io/.
- Abstract（参考訳）: 本稿では, 高次元状態空間におけるサンプル非効率性, 動的制約下での信頼性の低いコストヒューリスティックス, 狭い通過環境における性能の低下という, 既存のサンプリングベース手法の基本的な3つの制約に対処する双方向並列キノダイナミックモーションプランナであるBOWConnectを提案する。
ランダムな制御サンプリングと幾何距離ヒューリスティックスに依存する古典的なプランナーとは異なり、BOWConnectは並列ツリーベースの探索フレームワーク内で学習ベースのステアリング機能としてWindows(BOW)上のベイズ最適化を統合し、各作業員がローカルコストマップと制約を学習し、動的に実現可能で衝突のない制御に向けてサンプリングをガイドすることを可能にする。
双方向アーキテクチャは、高速な接続クエリを可能にする空間ハッシュ機構と、キノダイナミックに一貫したブリッジトラジェクトリを生成する境界値問題解決器とともに、並列スレッドの開始および目標領域から前方および後方のツリーを同時に成長させる。
10のベンチマーク環境にわたる大規模な評価は、BOWConnectが100倍の成功を達成し、より狭い通路や最先端のプランナーが失敗または大幅に低下する非凸空間を含む複雑なシナリオにおいて、最も高速またはほぼ最速の計画時間を実現していることを示している。
地上車両と四輪車への現実世界の配備は、衝突のないリアルタイムの計画を確認します。
実世界のシミュレーション実験のビデオ、フィギュアの高解像度バージョン、オープンソースコードはhttps://bow-connect.github.io/.com/で公開されている。
関連論文リスト
- Dispersive Forward Tree Search for Optimal Control: Coverage, Complexity, and Computation [15.03677748041754]
本稿では, 決定論的有限サンプル近距離最適保証をもつ伝搬型キノダイナミックプランナを開発した。
局所分散制御コマンドのフォワードツリーは,木の大きさのほぼ最適軌道を含むことを示す。
提案手法は, 探索アルゴリズムである分散フォワードツリー探索(DFT*)をフォワードツリーの広帯域展開として実装する。
論文 参考訳（メタデータ） (2026-08-26T18:46:17Z) - AutoPath: Learning Transferable Goal-Conditioned Stochastic Path Prior for Safe Navigation Without Human Demonstrations [103.61864552260316]
動的環境におけるリアルタイムナビゲーションは、限られた知覚下での衝突のない、動的に実現可能な動きを必要とする。
我々は,移動可能な目標整合経路の学習としてナビゲーションを定式化し,局所的な観測に基づいて,目標整合な局所経路上の再利用可能な分布をモデル化する。
我々は、幾何対応の極性行動多様体を用いて局所経路をパラメータ化し、安定かつ安全対応の計画のためのマルチゴール分散ロールアウトによるリスク感応性ユーティリティシェーピングを含む構造化された事前学習フレームワークを開発した。
論文 参考訳（メタデータ） (2026-07-13T16:00:41Z) - Multi-Robot Trajectory Planning via Constrained Bayesian Optimization and Local Cost Map Learning with STL-Based Conflict Resolution [1.6243762297989983]
本稿では,信号時間論理(STL)仕様の下でのマルチロボット動作計画にキノダイナミック制約を適用した。
サンプルベースオンライン学習と正式なSTL推論を組み合わせた2段階のフレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-06T00:03:18Z) - LEAR: Learning Edge-Aware Representations for Event-to-LiDAR Localization [15.308350522323588]
LEARは、エッジ構造と高密度事象深度流れ場を共同で推定し、知覚とモダリティの分断を橋渡しする。
いくつかの人気があり、挑戦的なデータセットにおいて、LEARは最高の先行メソッドよりも優れたパフォーマンスを達成している。
論文 参考訳（メタデータ） (2026-03-02T13:18:25Z) - A Unified Experimental Architecture for Informative Path Planning: from Simulation to Deployment with GuadalPlanner [69.43049144653882]
本稿では,車種別制御から高レベルの意思決定を分離する統一アーキテクチャを提案する。
提案アーキテクチャは、計画、センシング、車両実行の標準化されたインターフェースを定義するGuaralPlannerを通じて実現されている。
論文 参考訳（メタデータ） (2026-02-11T10:02:31Z) - Just in time Informed Trees: Manipulability-Aware Asymptotically Optimized Motion Planning [46.553063931217245]
我々はJust-in-Time Informed Trees (JIT*)アルゴリズムを導入し、Effort Informed Trees (EIT*) を拡張した。
JIT* は $mathbbR4$ から $mathbbR16$ まで、従来のサンプリングベースのプランナよりも一貫して優れています。
論文 参考訳（メタデータ） (2026-01-27T18:58:51Z) - Neural Nonmyopic Bayesian Optimization in Dynamic Cost Settings [73.44599934855067]
LookaHESは、動的で履歴に依存したコスト環境のために設計された非心筋BOフレームワークである。
LookaHESは、$H$-Entropy Searchのマルチステップ版と、パスワイズサンプリングとニューラルポリシー最適化を組み合わせたものだ。
私たちの革新は、構造化されたドメイン固有のアクションスペースを効果的にナビゲートするために、大きな言語モデルを含むニューラルポリシーの統合です。
論文 参考訳（メタデータ） (2026-01-10T09:49:45Z) - ParaMaP: Parallel Mapping and Collision-free Motion Planning for Reactive Robot Manipulation [17.260700135265267]
未知の環境でのロボット操作には、リアルタイムおよび衝突のないモーションプランニングが依然として困難である。
本研究では,Euclidean Distance Transform(EDT)に基づく環境表現をサンプリングベースモデル予測制御(SMPC)プランナと密に統合する並列マッピングと動作計画フレームワークを提案する。
提案手法の有効性は, 7-DoFロボットマニピュレータを用いた広範囲なシミュレーションと実世界の実験により検証した。
論文 参考訳（メタデータ） (2025-12-27T12:24:10Z) - SparseCoop: Cooperative Perception with Kinematic-Grounded Queries [24.54324085409114]
SparseCoopは3次元検出と追跡のための完全にスパースな協調認識フレームワークである。
2X-SeqとGriffinのデータセットの実験は、SparseCoopが最先端のパフォーマンスを達成することを示している。
論文 参考訳（メタデータ） (2025-12-07T13:22:06Z) - Scaling Up Occupancy-centric Driving Scene Generation: Dataset and Method [54.461213497603154]
作業中心の手法は、最近、フレームとモダリティをまたいだ一貫した条件付けを提供することで、最先端の結果を得た。
Nuplan-Occは、広く使われているNuplanベンチマークから構築された、これまでで最大の占有率データセットである。
高品質な占有、多視点ビデオ、LiDAR点雲を共同で合成する統合フレームワークを開発した。
論文 参考訳（メタデータ） (2025-10-27T03:52:45Z) - 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) - Maximize to Explore: One Objective Function Fusing Estimation, Planning,
and Exploration [87.53543137162488]
我々はtextttMEX というオンライン強化学習(オンラインRL)フレームワークを提案する。
textttMEXは、自動的に探索エクスプロイトのバランスをとりながら、見積もりと計画コンポーネントを統合する。
様々な MuJoCo 環境では,ベースラインを安定的なマージンで上回り,十分な報酬を得られる。
論文 参考訳（メタデータ） (2023-05-29T17:25:26Z)
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。