論文の概要: Self-Supervised Bio-Inspired Robotic Trajectory Planning with Obstacle Avoidance

• arxiv url: http://arxiv.org/abs/2607.20743v1
• Date: Wed, 22 Jul 2026 21:47:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-24 18:26:25.22447
• Title: Self-Supervised Bio-Inspired Robotic Trajectory Planning with Obstacle Avoidance
• Title（参考訳）: 障害物回避による自己監督型バイオインスパイアされたロボット軌道計画
• Authors: Miroslav Krupa, Miroslav Cibula, Kristína Malinovská,
• Abstract要約: 軌道計画はロボット工学の基本的な問題であり、潜在的に複雑な環境で衝突のない効率的な軌道を生成する必要がある。 サンプリングベースのプランナーは依然として主要なアプローチであるが、特に高次元空間や障害物の多い環境では計算コストがかかることが多い。 モデル学習に基づく手法は、有望な代替手段を提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Trajectory planning is a fundamental problem in robotics, requiring the generation of collision-free and efficient trajectories in a potentially complex environment. While sampling-based planners remain the dominant approach, they are often computationally expensive, particularly in high-dimensional spaces and obstacle-rich environments. Methods based on model learning offer a promising alternative, enabling efficient planning through a bounded number of forward passes through a neural trajectory planner, but commonly suffer from low sample efficiency or limited generalisation due to their reliance on exploration or expert demonstrations. This follow-up work tests our neuro-inspired self-supervised learning framework for trajectory planning that leverages forward and inverse models as the internal supervisory mechanism in an environment that contains an obstacle. Experimental results demonstrate the feasibility of the approach while revealing a tendency of our planner to exploit the learning signal provided by the forward and inverse models. To address this issue, additional training regimes and mitigation strategies are proposed and evaluated.
• Abstract（参考訳）: 軌道計画はロボット工学の基本的な問題であり、潜在的に複雑な環境で衝突のない効率的な軌道を生成する必要がある。 サンプリングベースのプランナーは依然として主要なアプローチであるが、特に高次元空間や障害物の多い環境では計算コストがかかることが多い。 モデル学習に基づく手法は有望な代替手段であり、神経軌道プランナーを通した境界数の前方通過による効率的な計画を可能にするが、通常、探索や専門家のデモンストレーションに依存するため、サンプル効率の低下や限定的な一般化に悩まされる。 このフォローアップワークは、障害を含む環境における内的監督機構として前方および逆モデルを活用する軌道計画のための、神経にインスパイアされた自己教師付き学習フレームワークをテストする。 実験結果から,前向きモデルと逆方向モデルによる学習信号を利用するプランナーの傾向を明らかにしつつ,アプローチの実現可能性を示した。 この問題に対処するため、追加の訓練体制と緩和戦略が提案され、評価される。

関連論文リスト

• Occluding the Solution Space: Planner-Agnostic Adversarial Attacks on Tolerance-Aware Manipulation [57.9825059129472]
  本稿では, 耐障害性を考慮したアタック・フレームワークを提案する。 提案手法は,評価パラダイムを目標領域を越えたタスクレベルの実現性にシフトする。 オンラインでは、この攻撃を最大カバレッジ最適化の予算として定式化しています。
  論文  参考訳（メタデータ） (2026-07-04T08:14:44Z)
• Neuro-Symbolic Learning for Long-Horizon Task Planning Under Complex Logical Constraints [12.864903019173106]
  最近のニューロシンボリックな手法は、課題非関連オブジェクトに対する対象重要度スコアを学習することで、計画効率を向上させる。 並列リカバリ,再スタート,ロールバックを用いて,上位レベルの学習に信頼性と適応的なフィードバックを提供する3R戦略を低レベル計画に導入する。 3つの挑戦的なベンチマークの実験では、失敗率80.04%、計画時間57.14%の削減など、最先端のパフォーマンスが示されている。
  論文  参考訳（メタデータ） (2026-06-05T03:44:48Z)
• Navigating the Clutter: Waypoint-Based Bi-Level Planning for Multi-Robot Systems [54.887871365121775]
  乱雑な環境におけるマルチロボット制御は、複雑な物理的制約を伴う難しい問題である。 タスクとモーションプランニングを協調的に最適化するハイブリッドマルチロボット制御フレームワークを提案する。 我々のアプローチは、動作に依存しないベースラインとVLAベースのベースラインよりもタスクの成功を継続的に改善する。
  論文  参考訳（メタデータ） (2026-04-22T22:58:47Z)
• PILOT: Planning via Internalized Latent Optimization Trajectories for Large Language Models [51.43746425777865]
  大規模言語モデル(LLM)は、しばしばグローバル戦略を定式化する能力に欠けており、長い水平タスクにおけるエラーの伝播につながる。 PILOTは,大規模モデルの戦略的監視を本質的な潜伏誘導に内部化するためのフレームワークである。
  論文  参考訳（メタデータ） (2026-01-07T12:38:56Z)
• Towards Bio-Inspired Robotic Trajectory Planning via Self-Supervised RNN [0.8258451067861933]
  ロボット工学における軌道計画は、ロボットエージェントを初期状態から望ましい最終状態へと導く一連の関節構成を生成すると理解されている。 近年の進歩は、軌道計画がトラジェクトリの教師付きシーケンス学習によっても実行可能であることを示している。 本稿では,軌道モデル構築のための繰り返しアーキテクチャに基づく,認知にインスパイアされた自己教師型学習手法を提案する。
  論文  参考訳（メタデータ） (2025-07-02T22:05:58Z)
• RealDrive: Retrieval-Augmented Driving with Diffusion Models [42.6467760755688]
  学習ベースのプランナーは、データからのニュアンスなインタラクションを推論することを学ぶことによって、人間のような運転行動を生成する。 データ駆動型アプローチは、しばしば稀で安全クリティカルなシナリオと格闘し、生成された軌道に対して限定的な制御性を提供する。 本稿では,RealDriveを提案する。RealDriveは,トレーニングデータセットから最も関連性の高い専門家のデモンストレーションを検索することで,拡散ベースの計画ポリシーを初期化するフレームワークである。
  論文  参考訳（メタデータ） (2025-05-30T17:15:03Z)
• Simultaneous Multi-Robot Motion Planning with Projected Diffusion Models [57.45019514036948]
  MRMP拡散(MRMP Diffusion, SMD)は, 制約付き最適化を拡散サンプリングプロセスに統合し, 衝突のない, キネマティックに実現可能な軌道を生成する新しい手法である。 本稿では, ロボット密度, 障害物の複雑度, 動作制約の異なるシナリオ間の軌道計画アルゴリズムを評価するための総合的MRMPベンチマークを提案する。
  論文  参考訳（メタデータ） (2025-02-05T20:51:28Z)
• Adaptive Planning with Generative Models under Uncertainty [20.922248169620783]
  生成モデルによる計画は、幅広い領域にわたる効果的な意思決定パラダイムとして現れてきた。 最新の環境観測に基づいて決定を下すことができるため、各段階での継続的再計画は直感的に思えるかもしれないが、かなりの計算上の課題をもたらす。 本研究は,長軸状態軌跡を予測できる生成モデルの能力を活用する,シンプルな適応計画手法を導入することで,この問題に対処する。
  論文  参考訳（メタデータ） (2024-08-02T18:07:53Z)
• Reinforcement Learning for Low-Thrust Trajectory Design of Interplanetary Missions [77.34726150561087]
  本稿では, 惑星間軌道のロバスト設計における強化学習の適用について検討する。 最先端アルゴリズムのオープンソース実装が採用されている。 その結果得られた誘導制御ネットワークは、堅牢な名目的軌道と関連する閉ループ誘導法の両方を提供する。
  論文  参考訳（メタデータ） (2020-08-19T15:22:15Z)

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。