論文の概要: From Distances to Trajectories: Real-Time Signed Distance Function Mapping and Distance-Accelerated Motion Planning for UAVs
- arxiv url: http://arxiv.org/abs/2607.19306v1
- Date: Tue, 21 Jul 2026 17:18:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-22 19:05:05.500273
- Title: From Distances to Trajectories: Real-Time Signed Distance Function Mapping and Distance-Accelerated Motion Planning for UAVs
- Title（参考訳）: 距離から軌道へ:UAVにおけるリアルタイム符号付き距離関数マッピングと距離加速度運動計画
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 8.393016378205752
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Autonomous flight in cluttered environments requires a robot to build a geometric map of its surroundings and plan safe, dynamically feasible trajectories, all onboard and in real time. Conventional approaches treat mapping and planning as separate stages and often rely on binary occupancy for collision checking. We argue that these two stages should be co-designed around a single representation: a signed distance function (SDF). By encoding distance to the nearest obstacle, an SDF provides richer information for planning and trajectory optimization than occupancy alone. We develop an Octree REsidual Network (OREN) that pairs an explicit octree prior with an implicit neural residual to reconstruct SDFs online from point cloud observations with the efficiency of volumetric methods and the accuracy and differentiability of neural methods. In tandem, we develop Bubble$^\star$, a search-based planner that exploits the distance information to grow maximal collision-free balls, which we call bubbles, with formal guarantees of termination, completeness, and failure detection. Planning over a graph of bubbles significantly reduces collision checks compared to a grid-based A$^\star$ search and returns a bubble sequence that forms a safe corridor for trajectory optimization. We demonstrate the integrated OREN-Bubble$^\star$ approach onboard a quadrotor, navigating unseen indoor environments in real time under tight compute constraints. OREN improves SDF estimation by $22$% compared to baselines, while Bubble$^\star$ finds trajectories spanning $\approx 90$ m through a cluttered environment in $1$-$3$ sec., whereas baselines take up to $10$ sec. in the same environment.
- Abstract（参考訳）: 散らかった環境での自律飛行では、ロボットが周囲の幾何学的な地図を作り、安全で動的に実現可能な軌道をリアルタイムで計画する必要がある。
従来のアプローチでは、マッピングと計画を別々の段階として扱い、衝突チェックに二元的占有に依存していることが多い。
これらの2つの段階は、符号付き距離関数(SDF)という単一の表現を中心に設計されるべきである。
最寄りの障害物までの距離を符号化することにより、SDFは、占有者単独よりも計画と軌道最適化のための豊富な情報を提供する。
我々は,暗黙のニューラル残差に先行して明示的なオクツリーを組み合わすOctree Residual Network(Octree Residual Network,OREN)を開発した。
タンデムでは,最大衝突のない球を成長させるために距離情報を利用する検索ベースプランナーであるBubble$^\star$を開発する。
バブルグラフ上の計画では、グリッドベースのA^\star$サーチに比べて衝突チェックが大幅に減少し、軌道最適化のための安全な廊下を形成するバブルシーケンスが返される。
計算制約の厳しい条件下で, 室内環境をリアルタイムで探索し, 四重極上でのOREN-Bubble$^\star$アプローチを実演する。
ORENはベースラインと比較してSDF推定を22ドル%改善し、Bubble$^\star$は乱雑な環境で90$mのトラジェクトリを見つける。
関連論文リスト
- Interpretable Fuzzy Inference for UAV Target Tracking Using Bounding-Box Geometry [0.528933036850801]
YOLOボックスから抽出した低次元特徴から連続ヨーコマンドを生成する解釈可能なファジィ推論フレームワークを提案する。
その結果、このフレームワークは透過的で、データ効率が高く、計算量も軽量であり、リアルタイムの視覚に基づくUAV誘導に適していることが判明した。
論文 参考訳（メタデータ） (2026-08-04T18:18:29Z) - Biconvex Optimization for Smooth Minimum-Time Trajectories around Convex Obstacles [49.315843050082925]
本稿では,最小時間移動計画凸障害物に対して,収束が保証されるバイアプローチを提案する。
提案手法は,変数の最先端分解を生成するために,時間とともに高品質な軌道を生成する。
論文 参考訳（メタデータ） (2026-08-03T19:48:24Z) - Coupled Routing and Configuration Optimization for Multi-Viewpoint Robotic Inspection [4.164290233214403]
9-DoFロボットシステムにおいて、6-DoF検査の視点を時間的・衝突のない経路に変換する統一的な枠組みを提案する。
ビュー毎の1つの逆キネマティクス(IK)構成を固定するモジュールパイプラインとは異なり、全ペアの旅行時間マップを構築し、ルートを作成すれば、単一のグローバル検索において、訪問順序と視点ごとの設定を協調的に最適化できる。
論文 参考訳（メタデータ） (2026-06-17T17:14:54Z) - RAD-2: Scaling Reinforcement Learning in a Generator-Discriminator Framework [49.531001563853984]
RAD-2はクローズドループ計画のための統一されたジェネレータ・ディスクリミネーターフレームワークである。
様々な軌道候補を生成する一方、RL最適化判別器は、これらの候補を長期的な運転品質に応じて再現する。
強い拡散ベースのプランナーに比べて衝突速度を56%削減する。
論文 参考訳（メタデータ） (2026-04-16T17:59:44Z) - Amortizing Trajectory Diffusion with Keyed Drift Fields [2.5352713493505785]
キード・ドリフト・ポリシーズ (Keyed Drifting Policies) は、ドリフトフィールドの目標で訓練された1ステップの軌道生成装置である。
生成されたトラジェクトリを条件マッチングされたデータセットウィンドウに反映する。
1ステップの推論で高い性能を達成し、拡散サンプリングよりも計画遅延を大幅に低減する。
論文 参考訳（メタデータ） (2026-03-14T17:56:15Z) - SanD-Planner: Sample-Efficient Diffusion Planner in B-Spline Space for Robust Local Navigation [15.648031076271963]
SanD-Plannerはサンプル効率のよい拡散型ローカルプランナーで、B-スプライン空間内で深度画像に基づく模倣学習を行う。
評価されたオープンベンチマークで最先端のパフォーマンスを達成し、シミュレーションされた乱雑な環境では90.1%ドル、屋内シミュレーションでは72.0%ドルの成功率を達成した。
論文 参考訳（メタデータ） (2026-01-31T22:37:27Z) - 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) - Monge-Ampere Regularization for Learning Arbitrary Shapes from Point Clouds [69.69726932986923]
任意の曲面型をモデル化するための新しい暗黙曲面表現であるスケールド2乗距離関数 (S$2$DF) を提案する。
S$2$DFは、ゼロレベルセットでのUDFの非微分可能性問題に効果的に対処しながら、内部領域と外部領域を区別しない。
論文 参考訳（メタデータ） (2024-10-24T06:56:34Z) - 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) - 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) - Nearly Minimax Optimal Reward-free Reinforcement Learning [88.75843804630772]
本稿では、特にバッチ強化学習に適した報酬不要強化学習フレームワークと、複数の報酬関数に対するポリシーを必要とするシナリオについて検討する。
textbfStaged textbfSampling + textbfTruncated textbfPlanning (algoname) という新しい効率的なアルゴリズムを提供しています。
論文 参考訳（メタデータ） (2020-10-12T17:51:19Z)
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。