論文の概要: Beyond Fixed Goal Delivery: Online POMDP Planning for Target Interception in Crowds

• arxiv url: http://arxiv.org/abs/2607.18517v1
• Date: Mon, 20 Jul 2026 21:18:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-22 19:05:05.247062
• Title: Beyond Fixed Goal Delivery: Online POMDP Planning for Target Interception in Crowds
• Title（参考訳）: 修正目標のデリバリを超えて - クラウドにおけるターゲットのインターセプションのためのオンラインPOMDP計画
• Abstract要約: 密集した環境での標的迎撃は、不確実な人間エージェントの間を航行しながら移動目標に達する必要がある。 観衆のインターセプションを部分的に観測可能なマルコフ決定プロセスとして定式化し、木探索を用いてオンラインで解決する。 本研究では,まず空間的な経路を計画し,それに沿った速度を変調する逐次経路速度プランナと,樹木探索における操舵と速度を連係する統合プランナとの制御された比較を行う。
• 参考スコア（独自算出の注目度）: 5.42183965772918
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Target interception in crowded environments requires reaching a moving objective while navigating among multiple uncertain human agents. Since human navigation intent is not directly observable, the robot must reason over multiple possible future interaction outcomes. We formulate interception in crowds as a partially observable Markov decision process and solve it online using tree search under a fixed computational budget. In this setting, the action-space structure directly shapes the search tree and how computational effort is allocated. We perform a controlled comparison between a sequential path-speed planner, which first plans a spatial path and then modulates speed along it, and a unified planner that jointly branches over steering and speed within tree search. Across simulations with up to 200 humans, both approaches perform similarly at low crowd density but diverge sharply as density increases. At the highest crowd density, the sequential planner has a safe-interception rate 31 percentage points lower and requires 44% more time than the unified steering-speed planner, revealing a structural limitation of spatial restriction. Project webpage: https://tic-planning.github.io/
• Abstract（参考訳）: 混み合った環境でのターゲットインターセプションは、複数の不確実な人間のエージェントの間を移動しながら移動目標に達する必要がある。 人間のナビゲーション意図は直接観測できないため、ロボットは将来起こりうる相互作用の結果を推論する必要がある。 観衆のインターセプションを部分的に観測可能なマルコフ決定プロセスとして定式化し、固定された計算予算の下で木探索を用いてオンラインで解決する。 この設定では、アクション空間構造が探索木を直接形成し、どのように計算作業が割り当てられるかを判断する。 本研究では,まず空間的な経路を計画し,それに沿った速度を変調する逐次経路速度プランナと,樹木探索における操舵と速度を連係する統合プランナとの制御された比較を行う。 最大200人の人間によるシミュレーションでは、どちらの手法も低い群集密度でも同様に機能するが、密度が増加するにつれて急変する。 最も高い群集密度では、シーケンシャルプランナーは31ポイント低く、統一されたステアリング速度プランナーよりも44%の時間を要するため、空間的制限の構造的制限が示される。 プロジェクトWebページ: https://tic-planning.github.io/

関連論文リスト

• MPPI Planning with Gaussian-Based Human Cost Function for Social Navigation [0.0]
  本研究では,全運動計画地平線上での予測を伝搬するコストの定式化を提案する。 各フィールドの前方展開は、歩行者の速度とともに成長し、移動円錐危険帯を形成する。 定式化は閉形式であり、ロールアウト間で完全に並列化可能であるため、測定可能な計算オーバーヘッドは生じない。
  論文  参考訳（メタデータ） (2026-08-08T20:23:15Z)
• From Distances to Trajectories: Real-Time Signed Distance Function Mapping and Distance-Accelerated Motion Planning for UAVs [8.393016378205752]
  我々は、マッピングとプランニングは単一の表現を中心に共同設計されるべきであると主張する:符号付き距離関数(SDF)。 タンデムでは、距離情報を利用して最大衝突のない球を成長させる検索ベースのプランナーであるBubble$star$を開発する。 計算制約の厳密な条件下で室内環境をリアルタイムでナビゲートし,四角形回路上でのOREN-Bubble$star$アプローチを実演する。
  論文  参考訳（メタデータ） (2026-07-21T17:18:46Z)
• Local Path Optimization in The Latent Space Using Learned Distance Gradient [14.220732305518583]
  制約された運動計画は、ロボット操作において一般的な問題であるが難しい問題である。 本稿では,ロボットと障害物の最小距離を予測するためにニューラルネットワークを訓練する手法を提案する。 学習された距離勾配は、ロボットを障害物から遠ざけるために潜伏空間の移動方向を計算するために使用される。
  論文  参考訳（メタデータ） (2025-12-30T14:56:09Z)
• POrTAL: Plan-Orchestrated Tree Assembly for Lookahead [1.5636956410112013]
  Plan-Orchestrated Tree Assembly for Lookahead (POrTAL)は軽量で確率的な計画アルゴリズムである。 ステップ数でこれらのベースラインを上回ったソリューションに、POrTALが迅速に到達できることを示します。
  論文  参考訳（メタデータ） (2025-12-02T03:11:28Z)
• AlphaZeroES: Direct score maximization outperforms planning loss minimization [61.17702187957206]
  実行時の計画では、シングルエージェントとマルチエージェントの両方の設定でエージェントのパフォーマンスが劇的に向上することが示されている。 実行時に計画するアプローチのファミリは、AlphaZeroとその変種で、Monte Carlo Tree Searchと、状態値とアクション確率を予測することによって検索をガイドするニューラルネットワークを使用する。 複数の環境にまたがって、エピソードスコアを直接最大化し、計画損失を最小限に抑えることを示す。
  論文  参考訳（メタデータ） (2024-06-12T23:00:59Z)
• Online Concurrent Multi-Robot Coverage Path Planning [5.801044612920816]
  地平線では、経路計画と経路実行がインターリーブであり、経路のないロボットが経路計画を行う場合、優れた経路を持つロボットは実行しない。 地平線をベースとしない集中型アルゴリズムを提案する。 事前に割り当てられた目標に到達したロボットのサブセットに対して、いつでもパスを計画し、残りは傑出したパスを実行する。
  論文  参考訳（メタデータ） (2024-03-15T16:51:30Z)
• AI planning in the imagination: High-level planning on learned abstract search spaces [68.75684174531962]
  我々は,エージェントが訓練中に学習する抽象的な検索空間において,エージェントが計画することを可能にする,PiZeroと呼ばれる新しい手法を提案する。 本研究では,旅行セールスマン問題,ソコバン問題,2048年,施設立地問題,パックマン問題など,複数の分野で評価を行った。
  論文  参考訳（メタデータ） (2023-08-16T22:47:16Z)
• Implicit Occupancy Flow Fields for Perception and Prediction in Self-Driving [68.95178518732965]
  自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。 既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。 これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
  論文  参考訳（メタデータ） (2023-08-02T23:39:24Z)
• POA: Passable Obstacles Aware Path-planning Algorithm for Navigation of a Two-wheeled Robot in Highly Cluttered Environments [53.41594627336511]
  パッシブル障害物認識(Passable Obstacles Aware, POA)プランナーは, 乱雑な環境下での二輪ロボットのナビゲーション手法である。 我々のアルゴリズムは、二輪ロボットが通過可能な障害物を通り抜ける道を見つけることを可能にする。
  論文  参考訳（メタデータ） (2023-07-16T19:44:27Z)
• Large-scale Autonomous Flight with Real-time Semantic SLAM under Dense Forest Canopy [48.51396198176273]
  本研究では,大規模自律飛行とリアルタイムセマンティックマッピングを,挑戦的なアンダーキャノピー環境下で実現可能な統合システムを提案する。 我々は、スキャン全体で関連付けられ、木のトランクモデルと同様にロボットのポーズを制約するために使用されるLiDARデータから、木の幹と地面の平面を検出し、モデル化する。 ドリフト補償機構は、プランナー最適性とコントローラ安定性を維持しつつ、セマンティックSLAM出力を用いたドリフトをリアルタイムで最小化するように設計されている。
  論文  参考訳（メタデータ） (2021-09-14T07:24:53Z)
• SABER: Data-Driven Motion Planner for Autonomously Navigating Heterogeneous Robots [112.2491765424719]
  我々は、データ駆動型アプローチを用いて、異種ロボットチームをグローバルな目標に向けてナビゲートする、エンドツーエンドのオンラインモーションプランニングフレームワークを提案する。 モデル予測制御(SMPC)を用いて,ロボット力学を満たす制御入力を計算し,障害物回避時の不確実性を考慮した。 リカレントニューラルネットワークは、SMPC有限時間地平線解における将来の状態の不確かさを素早く推定するために用いられる。 ディープQ学習エージェントがハイレベルパスプランナーとして機能し、SMPCにロボットを望ましいグローバルな目標に向けて移動させる目標位置を提供する。
  論文  参考訳（メタデータ） (2021-08-03T02:56:21Z)
• It Is Not the Journey but the Destination: Endpoint Conditioned Trajectory Prediction [59.027152973975575]
  フレキシブルな人間の軌道予測のための予測条件付きネットワーク(PECNet)を提案する。 PECNetは長距離マルチモーダル軌道予測を支援するために遠方のエンドポイントを推論する。 我々は、PECNetがスタンフォードドローン軌道予測ベンチマークの最先端性能を20.9%改善し、ETH/UCYベンチマークの40.8%向上したことを示す。
  論文  参考訳（メタデータ） (2020-04-04T21:27:13Z)

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。