Fugu-MT 論文翻訳(概要): Continuous-Time Gaussian Belief Trees for Motion Planning

論文の概要: Continuous-Time Gaussian Belief Trees for Motion Planning

arxiv url: http://arxiv.org/abs/2607.02884v1
Date: Fri, 03 Jul 2026 02:29:42 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-09 13:19:43.943962
Title: Continuous-Time Gaussian Belief Trees for Motion Planning
Title（参考訳）: 運動計画のための連続時間ガウスリーフツリー
Abstract要約: プロセス中の連続時間システムのサンプリングに基づく動作計画と測定の不確実性に対処する。我々は、測定間の連続時間ODEに基づいて、その信念が進化する、オフラインなハイブリッドな信念伝播モデルを導出する。安全を確保するため,セグメンテーションレベルの確率的検証のための確信バリア機能に基づく安全チェッカーを導入する。
参考スコア（独自算出の注目度）: 12.755527639646381
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We address sampling-based motion planning for continuous-time stochastic systems under process and measurement uncertainty, with probabilistic guarantees on safety and performance. The robot dynamics are modeled as a continuous-time linear stochastic differential equation, while sensor measurements arrive at discrete time instants. We derive an offline hybrid belief propagation model in which the belief evolves according to continuous-time ODEs between measurements and undergoes discrete Kalman filter update jumps at measurement times. To ensure safety, we introduce a belief-barrier-function-based safety checker for segment-level probabilistic verification. This enables the planner to certify safety over entire continuous trajectory segments and detect inter-sample chance-constraint violations that are missed by conventional node-based checks. Together, these components provide a principled framework for sampling-based belief planning that accounts for both continuous-time uncertainty propagation and continuous-time safety requirements. We integrate the method with RRT and SST planners and evaluate it across multiple benchmark environments. The results show that the proposed method achieves high success rates and robust enforcement of chance constraints, including in narrow-passage scenarios where discrete-time counterparts fail due to missed inter-sample unsafe behavior.
Abstract（参考訳）: プロセス中の連続時間確率システムのサンプリングに基づく動作計画と測定の不確実性に対処し、安全性と性能の確率的保証を行う。ロボット力学は連続時間線形確率微分方程式としてモデル化され、センサ計測は離散時間瞬間に到達する。我々は,測定時間間の連続時間ODEに基づいて信念が進化し,個別なカルマンフィルタ更新を行う,オフラインハイブリッド信条伝搬モデルを構築した。安全を確保するため,セグメンテーションレベルの確率的検証のための確信バリア機能に基づく安全チェッカーを導入する。これにより、プランナーは、連続した軌道セグメント全体の安全性を証明し、従来のノードベースのチェックで見逃されたサンプル間チャンス制約違反を検出することができる。これらのコンポーネントは、継続的不確実性伝播と継続的安全要件の両方を考慮に入れたサンプリングベースの信念計画のための原則化されたフレームワークを提供する。提案手法をRTおよびSSTプランナと統合し,複数のベンチマーク環境にまたがって評価する。提案手法は,サンプル間不安全行動の欠如により離散時間競合がフェールする狭い通過シナリオを含む,高い成功率と確率制約の厳密な実施を実現する。

関連論文リスト

Collaborative System Failure Prognostics via Federated Longitudinal-Survival Modeling [13.404705706866574]
提案するフレームワークは、縦型センサ表現学習とクライアント分離型離散時間ハザード目標を組み合わせたものである。 4つのC-MAPSSターボファンエンジン劣化サブセットを模擬分散型設定で実験した結果,提案手法は予測性能を継続的に向上することが示された。
論文参考訳（メタデータ） (2026-07-28T17:46:19Z)
SegDiff: Segmented Trajectory Diffusion for Consistent and Adaptive Robot Manipulation [65.81476183180527]
両パラダイムの長所を統合するクローズドループビズモータポリシであるSegDiffを紹介する。 SegDiffはデモをキーセグメンテーション間で動作セグメントに分解し、現在の状態から次のキーセグメンテーションまでの連続的な軌跡を予測することを学習する。 SegDiffは、さまざまなシミュレートされた実世界のシナリオにおいて、既存のアプローチよりも大きなパフォーマンス向上を示している。
論文参考訳（メタデータ） (2026-07-13T02:48:03Z)
Active Timepoint Selection for Learning Measure-Valued Trajectories [55.49809248697036]
スナップショットから連続確率パスを推定することは、単細胞生物学のような領域における根本的な課題である。スパース測度空間にアクティブな実験を拡張するフレームワークを導入する。これにより、不確実性を最小限に抑えるために測定時間を反復的に選択する取得ポリシーが得られる。
論文参考訳（メタデータ） (2026-05-28T22:22:35Z)
Spatiotemporal Tubes for Probabilistic Temporal Reach-Avoid-Stay Task in Uncertain Dynamic Environment [2.7222301668137483]
時間変化の不確実な障害を考慮した実時間管合成法を開発した。管内の系軌跡を閉じ込める閉形式近似自由制御法を導出する。本手法は確率的回避と有限時間タスク完了の正式な保証を提供する。
論文参考訳（メタデータ） (2025-12-25T04:06:35Z)
Scenario-aware Uncertainty Quantification for Trajectory Prediction with Statistical Guarantees [16.41262478059784]
本稿では,予測区間と信頼性評価を備えた予測トラジェクトリを提供するシナリオ認識不確実性定量化フレームワークを提案する。実世界のnuPlanデータセットを用いてフレームワークの評価を行い、シナリオアウェアな不確実性定量化と信頼性評価の有効性を実証した。
論文参考訳（メタデータ） (2025-12-05T12:54:39Z)
Score Matching-based Pseudolikelihood Estimation of Neural Marked Spatio-Temporal Point Process with Uncertainty Quantification [59.81904428056924]
我々は、不確実な定量化を伴うmarkPsを学習するためのスコアMAtching推定器であるSMASHを紹介する。具体的には,スコアマッチングによるマークPsの擬似的類似度を推定することにより,正規化自由度を推定する。提案手法の優れた性能は、事象予測と不確実性定量化の両方において広範な実験によって実証される。
論文参考訳（メタデータ） (2023-10-25T02:37:51Z)
Real-Time Tube-Based Non-Gaussian Risk Bounded Motion Planning for Stochastic Nonlinear Systems in Uncertain Environments via Motion Primitives [9.088960941718]
不確実な環境下での非線形システムの動作計画問題を考える。 [1]とは異なり、リアルタイムなオンライン動作計画アルゴリズムを提案する。総和二乗プログラミングを用いた決定論的リスクに対する管の安全性を検証する。
論文参考訳（メタデータ） (2023-03-02T23:36:26Z)
Statistical Safety and Robustness Guarantees for Feedback Motion Planning of Unknown Underactuated Stochastic Systems [1.0323063834827415]
本研究では, 平均力学モデルを用いたサンプリングベースプランナを提案し, 学習外乱境界による閉ループ追従誤差を同時に有界化する。この保証は,10次元四角形ロボットのシミュレーションや,クレージーフライ四角形ロボットとクリアパスジャカルロボットの現実世界でのシミュレーションにおいて,経験的安全性に変換されることを検証した。
論文参考訳（メタデータ） (2022-12-13T19:38:39Z)
Formal Controller Synthesis for Markov Jump Linear Systems with Uncertain Dynamics [64.72260320446158]
マルコフジャンプ線形系に対する制御器の合成法を提案する。本手法は,MJLSの離散(モードジャンピング)と連続(確率線形)の両方の挙動を捉える有限状態抽象化に基づいている。本手法を複数の現実的なベンチマーク問題,特に温度制御と航空機の配送問題に適用する。
論文参考訳（メタデータ） (2022-12-01T17:36:30Z)
Probabilities Are Not Enough: Formal Controller Synthesis for Stochastic Dynamical Models with Epistemic Uncertainty [68.00748155945047]
複雑な力学系のモデルにおける不確実性を捉えることは、安全なコントローラの設計に不可欠である。いくつかのアプローチでは、安全と到達可能性に関する時間的仕様を満たすポリシーを形式的な抽象化を用いて合成する。我々の貢献は、ノイズ、不確実なパラメータ、外乱を含む連続状態モデルに対する新しい抽象的制御法である。
論文参考訳（メタデータ） (2022-10-12T07:57:03Z)
Sampling-Based Robust Control of Autonomous Systems with Non-Gaussian Noise [59.47042225257565]
雑音分布の明示的な表現に依存しない新しい計画法を提案する。まず、連続系を離散状態モデルに抽象化し、状態間の確率的遷移によってノイズを捕捉する。いわゆる区間マルコフ決定過程(iMDP)の遷移確率区間におけるこれらの境界を捉える。
論文参考訳（メタデータ） (2021-10-25T06:18:55Z)

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。