論文の概要: GPU-Accelerated Polygonal Signed Distance Functions for Real-Time Collision Avoidance
- arxiv url: http://arxiv.org/abs/2607.04310v1
- Date: Sun, 05 Jul 2026 13:46:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-07 22:26:29.888666
- Title: GPU-Accelerated Polygonal Signed Distance Functions for Real-Time Collision Avoidance
- Title（参考訳）: リアルタイム衝突回避のためのGPU加速多角形符号距離関数
- Authors: Taekwon Ga, Jongeun Choi,
- Abstract要約: 実現可能な空間が限られている密集した環境では、計算負荷が制御サイクルランタイムを支配していることが多い。
提案する多角形符号距離関数 (PSDF) は, 凸多角形ロボットの足跡と境界辺で表される障害物との間の距離関数である。
PSDFは、逐次2次プログラミングに基づくリアルタイム反復方式において、段階的安全性制約を局所的に線形化することにより、モデル予測制御に埋め込まれる。
PSDF-MPCは高密度多角形環境におけるリアルタイム実現可能性と堅牢な衝突回避を維持している。
- 参考スコア（独自算出の注目度）: 2.1993185973565113
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Optimization-based local planning and control require high-rate collision-avoidance constraint evaluation over a prediction horizon. In obstacle-dense environments, where feasible space is limited and the constraints become increasingly complex, the computational workload often dominates the control-cycle runtime. The resulting bottleneck motivates collision-avoidance constraints that combine computational efficiency with geometric fidelity. The proposed Polygonal Signed Distance Function (PSDF) is a geometry-exact signed distance function between a convex polygonal robot footprint and obstacles represented by their boundary edges. It is implemented as a weight-free, branch-free tensorized geometric pipeline enabling batched GPU execution and automatic differentiation. The PSDF is embedded into model predictive control by locally linearizing the stage-wise safety constraints within a sequential quadratic programming-based real-time iteration scheme, yielding the PSDF-embedded model predictive controller (PSDF-MPC). The design separates CPU/GPU computation so that the GPU evaluates batched PSDF values and gradients while the CPU solves a sparse quadratic program whose dimension is determined by system dimensions and horizon length, not by obstacle features. Microbenchmarks show that PSDF scales favorably against signed-distance query baselines. Closed-loop simulated and real-world navigation experiments, including comparisons with optimization-based baselines, demonstrate that PSDF-MPC maintains real-time feasibility and robust collision avoidance in dense polygonal environments.
- Abstract（参考訳）: 最適化に基づく局所的計画と制御は、予測地平線上での高速衝突回避制約評価を必要とする。
実現可能な空間が制限され、制約がますます複雑になる障害物密度環境では、計算負荷が制御サイクルランタイムを支配していることが多い。
結果として生じるボトルネックは、計算効率と幾何学的忠実さを組み合わせた衝突回避制約を動機付けている。
提案する多角形符号距離関数 (PSDF) は, 凸多角形ロボットの足跡と境界辺で表される障害物との間の距離関数である。
これは、バッチGPUの実行と自動微分を可能にする、ウェイトフリーでブランチフリーなテンソル化幾何パイプラインとして実装されている。
PSDFは、逐次2次プログラミングに基づくリアルタイム反復方式において、段階的安全性制約を局所的に線形化することによりモデル予測制御に埋め込まれ、PSDF組み込みモデル予測コントローラ(PSDF-MPC)が生成される。
この設計は、CPU/GPU計算を分離し、GPUがバッチされたPSDF値と勾配を評価する一方、CPUは、障害物特徴ではなく、システム次元と水平長で決定されるスパース二次プログラムを解く。
マイクロベンチマークは、PSDFが署名付きクエリベースラインに対して好意的にスケールすることを示している。
PSDF-MPCは高密度多角形環境における実時間実現可能性と頑健な衝突回避を維持していることを示す。
関連論文リスト
- From Prediction Uncertainty to Conformalized Distance Fields for Safe Motion Planning [9.50741434664352]
既存のコンフォメーションアプローチは、障害物ごとの予測誤差を集計するスカラースコアに適合する。
代わりに、予測距離場全体を同時に整列する。
この関数共形予測フレームワークは、分布自由で、フィールドレベルの低い境界をもたらす。
論文 参考訳（メタデータ） (2026-07-01T11:02:51Z) - Planning-aligned Token Compression for Long-Context Autonomous Driving [95.59023657139208]
条件付きVQ-VA上に構築した計画整合型ワーキングメモリフレームワークを提案する。
圧縮は歴史的軌跡と学習した計画意図の両方で条件付けられている。
歴史的文脈が行動の正確性に最も重要となる高信号動的シナリオについて評価する。
論文 参考訳（メタデータ） (2026-06-05T17:16:21Z) - Manifold-Constrained MPPI: Real-Time Sampling-Based Control Under Hard Constraints [8.747309323431802]
Manifold-Constrained MPPI (MC-MPPI) はリアルタイムサンプリングベースの制御フレームワークである。
MPPIの計算上の利点を保ちながら、多様体ベースの等式制約を強制する。
シミュレーションと実世界の両方の環境で14-DoFクローズドチェーンのデュアルアームシステムの実験は、MC-MPPIが安定して100Hzで動作することを示した。
論文 参考訳（メタデータ） (2026-05-24T01:57:18Z) - Physics-Informed Reinforcement Learning of Spatial Density Velocity Potentials for Map-Free Racing [73.88859384645264]
Out-Of-Distribution (OOD) の様々なレーストラックへの一般化は、機械学習(ML)を用いて、エンドツーエンド制御のためのセンサデータと車両アクチュエーターの間の数学的関係を符号化する。
本稿では,非幾何学的,物理インフォームド報酬を用いた深度測定のスペクトル分布から非線形車両動特性をパラメータ化して,ニューラルネットワーク(ANN)による車両の時間最適・乗換レース制御を推定するDRL法を提案する。
このポリシーは、経験的なパセジカタイヤモデルに似たタイヤのダイナミックスで摩擦円を最大化することで、OODトラックの12%で人間のデモより優れています。
論文 参考訳（メタデータ） (2026-04-10T17:12:07Z) - Iterative Convex Optimization with Control Barrier Functions for Obstacle Avoidance among Polytopes [3.8436274588467696]
多目的ロボットによる障害物回避は、最適化に基づく制御と軌道計画において難しい問題である。
既存の手法は、幾何学力学を歪ませる楕円体のような双対距離近似に頼っている。
本稿では,安全クリティカルナビゲーションプログラムのための新しい反復凸性有限水平最適化フレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-06T05:10:44Z) - Fast and Safe Trajectory Optimization for Mobile Manipulators With Neural Configuration Space Distance Field [34.07401865897874]
Generalized Space Fields (GCDF) は、ベースアーム結合を移動マニピュレータに拡張するために使用できる。
GCDFは、非有界空間における全体構成をエンコードする。
我々はGCDFに基づく推論を中心に,高性能な最適化解法を開発した。
論文 参考訳（メタデータ） (2026-01-26T14:55:26Z) - 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) - Bench2Drive-R: Turning Real World Data into Reactive Closed-Loop Autonomous Driving Benchmark by Generative Model [63.336123527432136]
我々は,リアクティブ閉ループ評価を可能にする生成フレームワークであるBench2Drive-Rを紹介する。
既存の自動運転用ビデオ生成モデルとは異なり、提案された設計はインタラクティブなシミュレーションに適したものである。
我々は、Bench2Drive-Rの生成品質を既存の生成モデルと比較し、最先端の性能を達成する。
論文 参考訳（メタデータ） (2024-12-11T06:35:18Z) - iSDF: Real-Time Neural Signed Distance Fields for Robot Perception [64.80458128766254]
iSDFは実時間符号付き距離場再構成のための連続学習システムである。
より正確な再構築と、衝突コストと勾配のより良い近似を生成する。
論文 参考訳（メタデータ） (2022-04-05T15:48:39Z) - Modular Deep Reinforcement Learning for Continuous Motion Planning with
Temporal Logic [59.94347858883343]
本稿では,マルコフ決定過程(MDP)をモデルとした自律動的システムの運動計画について検討する。
LDGBA と MDP の間に組込み製品 MDP (EP-MDP) を設計することである。
モデルフリー強化学習(RL)のためのLDGBAベースの報酬形成と割引スキームは、EP-MDP状態にのみ依存する。
論文 参考訳（メタデータ） (2021-02-24T01:11:25Z) - Adaptive Subcarrier, Parameter, and Power Allocation for Partitioned
Edge Learning Over Broadband Channels [69.18343801164741]
パーティショニングエッジ学習(PARTEL)は、無線ネットワークにおいてよく知られた分散学習手法であるパラメータサーバトレーニングを実装している。
本稿では、いくつかの補助変数を導入してParticleELを用いてトレーニングできるディープニューラルネットワーク(DNN)モデルについて考察する。
論文 参考訳（メタデータ） (2020-10-08T15:27:50Z)
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。