論文の概要: Learning Spatiotemporal Decision Priors for Efficient Path Planning under Partial Observability

• arxiv url: http://arxiv.org/abs/2607.22166v1
• Date: Fri, 24 Jul 2026 10:13:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 20:58:57.112109
• Title: Learning Spatiotemporal Decision Priors for Efficient Path Planning under Partial Observability
• Title（参考訳）: 部分観測可能性を考慮した効率的な経路計画のための時空間決定の事前学習
• Abstract要約: ImiPathは、実証軌道から方向を抽出し、体験インフォームドな方向案内として使用する、事前誘導学習フレームワークである。 ImiPathは、ローカルオブザーバビリティの下で冗長なノード拡張を減らすことにより、競合パスの品質を達成し、検索効率を向上させる。
• 参考スコア（独自算出の注目度）: 18.51900789287595
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Path planning under partial observability remains challenging because an agent must make long-horizon navigation decisions from only locally bounded observations. Nevertheless, historical trajectories contain reusable experience-guided directional preferences. Classical planners, however, typically solve each instance from scratch and lack an explicit mechanism to exploit such transferable decision knowledge, often leading to redundant node expansions and locally myopic search behaviors. Motivated by this limitation, this paper proposes ImiPath, a prior-guided learning framework that distills reusable spatiotemporal decision priors from demonstration trajectories and uses them as experience-informed directional guidance to bias planners toward reliable and promising search directions under partial observability. Specifically, ImiPath first constructs a local spatiotemporal observation representation, which encodes the spatial information of the local environment and the temporal information of historical trajectories. The SpatioTemporal-Attention Policy Network (STAPNet) then transforms this representation into dicision priors. These priors are further incorporated into heterogeneous planners as directional guidance, biasing the search toward locally promising regions. Extensive experiments demonstrate that ImiPath achieves competitive path quality and improves search efficiency by reducing redundant node expansions under local observability. Additional physical experiments on a magnetic microrobot platform further validate the adaptability and practical deployment potential of the proposed framework.
• Abstract（参考訳）: 部分観測可能性の下での経路計画は、エージェントが局所的に境界付けられた観測のみから長い水平航法決定をしなければならないため、依然として困難なままである。 それでも、歴史的な軌跡には、再利用可能な体験誘導指向の嗜好が含まれている。 しかし、古典的なプランナーは典型的には各インスタンスをスクラッチから解き、そのような伝達可能な決定知識を利用するための明確なメカニズムが欠如しており、しばしば冗長なノード展開や局所的なミオピック検索の振る舞いにつながる。 この制限によって動機づけられたImiPathは、実演軌跡から再利用可能な時空間決定を蒸留し、部分観測可能性の下で信頼性と将来性のある探索方向へのバイアスプランナーへの体験インフォーム指向のガイダンスとして利用する、事前指導型学習フレームワークを提案する。 特に、ImiPathは、まず、局所的な時空間情報と歴史的軌跡の時空間情報をエンコードする局所時空間観測表現を構築した。 SpatioTemporal-Attention Policy Network (STAPNet) は、この表現を精度優先に変換する。 これらの先行は、さらに方向指示として異種プランナーに組み込まれ、局所的に有望な領域への探索に偏りが生じる。 ImiPathは,局所観測可能性下での冗長なノード展開を低減し,競合パスの品質を実現し,探索効率の向上を図っている。 磁気マイクロロボットプラットフォームに関する追加の物理実験は、提案フレームワークの適応性と実用的展開可能性をさらに検証する。

関連論文リスト

• AutoPath: Learning Transferable Goal-Conditioned Stochastic Path Prior for Safe Navigation Without Human Demonstrations [103.61864552260316]
  動的環境におけるリアルタイムナビゲーションは、限られた知覚下での衝突のない、動的に実現可能な動きを必要とする。 我々は,移動可能な目標整合経路の学習としてナビゲーションを定式化し,局所的な観測に基づいて,目標整合な局所経路上の再利用可能な分布をモデル化する。 我々は、幾何対応の極性行動多様体を用いて局所経路をパラメータ化し、安定かつ安全対応の計画のためのマルチゴール分散ロールアウトによるリスク感応性ユーティリティシェーピングを含む構造化された事前学習フレームワークを開発した。
  論文  参考訳（メタデータ） (2026-07-13T16:00:41Z)
• Explore From Sketch: Accelerating UAV Exploration in Large-scale Environments with Prior Maps [20.559950853029]
  本稿では,LiDARをベースとしたUAV探査において,スパース,アンアライメント,さらには2次元事前地図の離散化を生かした新しい探索フレームワークを提案する。 ベンチマーク評価では、探査効率が34.2%向上し、飛行距離が37.9%減少した。
  論文  参考訳（メタデータ） (2026-06-10T06:30:29Z)
• Think Before You Act: Intention-Guided Reasoning for LLM-Based Location Prediction [34.169695266263254]
  ユーザが直接場所を選択することは滅多にない,と我々は主張する。 この知見に触発され、2段階の意図誘導推論フレームワークであるIntentPOIを提案する。 IntentPOIは一貫して11の最先端ベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-06-06T11:56:44Z)
• 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)
• Referring-Aware Visuomotor Policy Learning for Closed-Loop Manipulation [91.20850436220267]
  Referring-Aware Visuomotor Policy(ReV)について紹介する。 ReVは、人間または高レベルの推論プランナーによって提供されるスパース参照ポイントを組み込む。 これは、専門家のデモンストレーションにターゲットの摂動を適用することでのみ訓練される。
  論文  参考訳（メタデータ） (2026-04-07T07:41:11Z)
• Path-conditioned Reinforcement Learning-based Local Planning for Long-Range Navigation [7.689666519246369]
  長距離ナビゲーションは、グローバルプランナーが経路を生成し、ウェイポイントに分解し、続いてローカルプランナーが続く階層的なパイプラインを通して一般的に対処される。 これらのシステムはグローバルパスの品質に敏感であり、不正確なリモートセンシングデータによって局所的に不可能な経路ポイントが発生し、局所的な実行が低下する可能性がある。 本稿では,経路情報を文脈ガイダンスとして活用する強化学習に基づくローカルナビゲーションポリシーを提案する。
  論文  参考訳（メタデータ） (2026-03-14T10:56:14Z)
• SKETCH: Semantic Key-Point Conditioning for Long-Horizon Vessel Trajectory Prediction [3.870589001283509]
  セマンティックキーポイント条件付き軌道モデリングフレームワークを提案する。 長距離予測を大域的意味決定と局所運動モデリングに分解する。 実世界のAISデータを用いた実験では,提案手法が常に最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2026-01-26T14:42:31Z)
• Learning Where to Look: Self-supervised Viewpoint Selection for Active Localization using Geometrical Information [68.10033984296247]
  本稿では, 位置決めの精度を高めるために, 視点選択の重要性を強調し, アクティブな位置決め領域について検討する。 私たちのコントリビューションは、リアルタイム操作用に設計されたシンプルなアーキテクチャ、自己教師付きデータトレーニング方法、および実世界のロボティクスアプリケーションに適した計画フレームワークにマップを一貫して統合する能力による、データ駆動型アプローチの使用に関するものです。
  論文  参考訳（メタデータ） (2024-07-22T12:32:09Z)
• Consciousness-Inspired Spatio-Temporal Abstractions for Better Generalization in Reinforcement Learning [83.41487567765871]
  Skipperはモデルベースの強化学習フレームワークである。 これは、与えられたタスクをより小さく、より管理しやすいサブタスクに自動的に一般化する。 環境の関連部分には、スパースな意思決定と集中した抽象化を可能にする。
  論文  参考訳（メタデータ） (2023-09-30T02:25:18Z)
• Adaptive Trajectory Prediction via Transferable GNN [74.09424229172781]
  本稿では,トランジタブルグラフニューラルネットワーク(Transferable Graph Neural Network, T-GNN)フレームワークを提案する。 具体的には、ドメイン固有知識が減少する構造運動知識を探索するために、ドメイン不変GNNを提案する。 さらに,注目に基づく適応的知識学習モジュールを提案し,知識伝達のための詳細な個別レベルの特徴表現について検討した。
  論文  参考訳（メタデータ） (2022-03-09T21:08:47Z)
• Adaptive Selection of Informative Path Planning Strategies via Reinforcement Learning [6.015556590955814]
  ローカルプランニング」アプローチでは,次回のサンプリング場所の優先順位が予測性能や帰路距離に与える影響を調査するために,様々な空間範囲が採用されている。 温度モニタリングロボットの使用事例実験により、プランナーの動的混合物は高度な情報プランを生成できるだけでなく、予測信頼性を犠牲にすることなく、大幅に距離を縮めることができることが示された。
  論文  参考訳（メタデータ） (2021-08-14T21:32:33Z)

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。