論文の概要: Stochastic Multi-Objective Kinodynamic Planning Against Adversaries
- arxiv url: http://arxiv.org/abs/2607.19284v1
- Date: Tue, 21 Jul 2026 16:56:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-22 19:05:05.494892
- Title: Stochastic Multi-Objective Kinodynamic Planning Against Adversaries
- Title（参考訳）: 確率的多目的動力学的計画法
- Abstract要約: 本稿では,エゴ状態に基づく多目的キノダイナミック計画法について述べる。
確率的完全性を証明するための多目的RT(SMO-RRT)を導入し,次に多目的安定RT(SMO-SST)を紹介する。
どちらのアルゴリズムに対しても、ガウス的でない状態依存不確実性を持つ系に対して、確率制約違反の確率に基づいて有限サンプルを導出する。
- 参考スコア（独自算出の注目度）: 4.800861909357391
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper addresses multi-objective kinodynamic planning in environments with stochastic hybrid adversaries that probabilistically transition to adversarial modes based on the ego state. The goal is to construct the Pareto-front of paths that trade off execution cost and the probability of safety constraint violation (risk). Existing chance-constrained planners evaluate risk over open-loop trajectories, yielding overly conservative solutions that fail to account for ego-agent reactivity. To address this limitation, we shift the planning space to sequences of closed-loop policies, and integrate sample-based risk evaluation directly into tree construction via Monte-Carlo particle rollouts. We first introduce Stochastic Multi-Objective RRT (SMO-RRT), for which we prove probabilistic completeness, followed by Stochastic Multi-Objective Stable Sparse RRT (SMO-SST), which leverages selective pruning to improve numerical performance at the cost of completeness. For both algorithms, we derive a finite-sample bound on the probability of chance constraint violation for systems with non-Gaussian, state-dependent uncertainty, enabling probabilistically safe planning in a broad class of environments applicable to multi-agent systems, social navigation, and autonomous driving.
- Abstract（参考訳）: 本稿では, 確率論的ハイブリッドな環境下での多目的キノダイナミック計画について述べる。
目標は、実行コストと安全制約違反(リスク)の可能性をトレードオフするパスのParetoフロントを構築することです。
既存のチャンスに制約のあるプランナーは、オープンループ軌道上のリスクを評価し、エゴエージェントの反応性を考慮できない過度に保守的な解決策をもたらす。
この制限に対処するために、計画空間をクローズドループポリシーのシーケンスにシフトし、サンプルベースのリスク評価を直接モンテカルロ粒子ロールアウトを介してツリー構築に統合する。
確率的完全性を証明するSMO-RRT(Stochastic Multi-Objective RRT)を最初に導入し、続いてSMO-SST(Stochastic Multi-Objective Stable Sparse RRT)を導入し、選択プルーニングを活用して完全性を犠牲にして数値性能を向上させる。
両アルゴリズムは,多エージェントシステム,ソーシャルナビゲーション,自律運転などに適用可能な幅広い環境において,確率論的に安全な計画を可能にする,非ガウス的かつ状態依存の不確実性を持つシステムに対して,確率制約違反の確率に基づく有限サンプルを導出する。
関連論文リスト
- World Models as Adversaries: Multi-Agent Self-Play Fine-Tuning for Robust Motion Planning [60.88859946006306]
Adversa World Modeling(英語版)は理論上基礎を成すマルチエージェント・セルフプレイ・ファインチューニングフレームワークである。
内的最小化においては、プランナーの予測世界モデルは、スパースでシーン適応的なアタック・アタック・アライアンスを学ぶロール条件の敵に変換される。
nuPlan と InterPlan のベンチマーク実験により,本手法が伝達可能な対角相互作用を生成することを示す。
論文 参考訳（メタデータ） (2026-07-12T07:44:16Z) - 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) - Provably Safe Motion Planning Under Unknown Disturbances [14.551794453957404]
本稿では,未知分布のランダムな乱れに影響を受けるロボットシステムのサンプリングに基づく動作計画アルゴリズムを提案する。
安全要件は、チャンス制約として定式化される。
ケーススタディでは,厳密な安全基準下での散在した環境における有効計画が,最先端の手法よりも優れていることが示された。
論文 参考訳（メタデータ） (2026-05-26T07:02:27Z) - Branch-Stochastic Model Predictive Control for Motion Planning under Multi-Modal Uncertainty with Scenario Clustering [4.456206353869196]
本稿では,SMPCと分岐構造を組み合わせた新しい手法を提案する。
高レベルの決定類似性に基づいて予測シナリオをマージし,リアルタイムのトラクタビリティを確保するために,新たなシナリオクラスタリングを提案する。
高速道路のシナリオにおけるシミュレーション研究は,提案手法が安全性を向上し,保守性を低下させ,リアルタイムな計算性能を実現することを実証している。
論文 参考訳（メタデータ） (2026-05-21T15:15:16Z) - Statistical Contraction for Chance-Constrained Trajectory Optimization of Non-Gaussian Stochastic Systems [0.0]
このフレームワークは共形推論を用いて任意の参照軌跡を囲む閉ループ力学に対する信頼セットを生成する。
適切な制約の締め付けにより、基準軌跡上の統計的に妥当な決定論的制約をトラクタブルに修正することができる。
これにより、安全クリティカルな現実世界のアプリケーションにおいて、ニューラルネットワークメトリクスのような学習ベースのモーションプランナとコントローラを活用、検証するフォーマルなパスが可能になる。
論文 参考訳（メタデータ） (2026-03-07T08:01:20Z) - Probabilistic Reach-Avoid for Bayesian Neural Networks [71.67052234622781]
最適合成アルゴリズムは、証明された状態の数を4倍以上に増やすことができることを示す。
このアルゴリズムは、平均的な到達回避確率を3倍以上に向上させることができる。
論文 参考訳（メタデータ） (2023-10-03T10:52:21Z) - Dual Formulation for Chance Constrained Stochastic Shortest Path with
Application to Autonomous Vehicle Behavior Planning [3.655021726150368]
制約最短経路問題(Constrained Shortest Path problem, C-SSP)は、特定の種類の運用制約下での環境における計画の定式化である。
この研究の最初の貢献は、Chance-Constrained Policyの正確な整数線型定式化である。
第三に、CC-SSP形式は、複数の時間ステップにまたがる制約を考慮するために一般化可能であることを示す。
論文 参考訳（メタデータ） (2023-02-25T16:40:00Z) - When Demonstrations Meet Generative World Models: A Maximum Likelihood
Framework for Offline Inverse Reinforcement Learning [62.00672284480755]
本稿では, 専門家エージェントから, 一定の有限個の実演において観測された動作を過小評価する報酬と環境力学の構造を復元することを目的とする。
タスクを実行するための正確な専門知識モデルは、臨床的意思決定や自律運転のような安全に敏感な応用に応用できる。
論文 参考訳（メタデータ） (2023-02-15T04:14:20Z) - 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) - Risk-Sensitive Sequential Action Control with Multi-Modal Human
Trajectory Forecasting for Safe Crowd-Robot Interaction [55.569050872780224]
本稿では,リスクに敏感な最適制御に基づく安全な群集ロボットインタラクションのためのオンラインフレームワークを提案し,そのリスクをエントロピーリスク尺度でモデル化する。
私たちのモジュラーアプローチは、クラウドとロボットの相互作用を学習ベースの予測とモデルベースの制御に分離します。
シミュレーション研究と実世界の実験により、このフレームワークは、現場にいる50人以上の人間との衝突を避けながら、安全で効率的なナビゲーションを実現することができることが示された。
論文 参考訳（メタデータ） (2020-09-12T02:02:52Z) - Online Mapping and Motion Planning under Uncertainty for Safe Navigation
in Unknown Environments [3.2296078260106174]
本論文は,確率論的安全保証者によるオンラインで実現可能な動作のマッピングと計画のための不確実性に基づくフレームワークを提案する。
提案手法は, 環境の不確実性を意識した環境表現を構築するために周囲をマッピングし, (i) 信念空間の多層サンプリングベースプランナーを通して, キノダイナミックに実現可能で確率論的に安全な目標に反復的に(re)計画を行うことにより, 動き, 確率論的安全性, オンライン計算制約を取り扱う。
論文 参考訳（メタデータ） (2020-04-26T08:53:37Z)
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。