論文の概要: Learning Traversability-Aware Global Planners for Long Horizon Off-Road Navigation
- arxiv url: http://arxiv.org/abs/2607.23743v1
- Date: Sun, 26 Jul 2026 16:36:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-28 22:34:15.215576
- Title: Learning Traversability-Aware Global Planners for Long Horizon Off-Road Navigation
- Title（参考訳）: 長距離オフロードナビゲーションのためのトラバーサビリティを考慮したグローバルプランナの学習
- Abstract要約: オーバヘッドデータから連続的トラバーサビリティマップを学習する効率的な定式化を提案する。
1244,mathrmkm2$の多様な地形と130,mathrmkm2$の人間の運転を合わせた299のシーンの公開データセットを公開しました。
クリアパス・ワーソーグ(Clearpath Warthog)のフィールドトライアルでは、2つの場所で7つのルートを横断し、3.66%の人道長の軌道を達成し、ローカルプランナーと比較してオペレーターの介入を$sim!85%減らす。
- 参考スコア（独自算出の注目度）: 4.184845027588593
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Autonomous navigation across large off-road environments remains a challenging problem. Onboard sensors perceive only the immediate surroundings, yet safe and efficient routes depend on terrain features that extend well beyond the sensor horizon. Geo-spatial data sources such as satellite imagery, aerial LiDAR, and vector maps can close this gap, but learning traversability from them is difficult: dense labels are unavailable at scale, and existing methods rely on short-range sensing. We propose an efficient formulation that learns a continuous traversability map from overhead data, supervised directly by human-driven GPS trajectories and shaped by self-supervised geometric priors from LiDAR. Alongside the model, we release a public dataset of 299 scenes spanning $\sim\!1{,}244\,\mathrm{km}^{2}$ of diverse terrain, paired with $1{,}130\,\mathrm{km}$ of human driving. In field trials on a Clearpath Warthog across seven routes at two sites, our method achieves trajectories within $3.66\%$ of human path length and reduces operator interventions by $\sim\!85\%$ compared to local-planner-only autonomy.
- Abstract（参考訳）: 大規模なオフロード環境を横断する自律的なナビゲーションは、依然として困難な問題である。
搭載されているセンサーは、すぐ近くの周囲しか認識できないが、安全で効率的な経路は、センサーの地平線をはるかに超える地形の特徴に依存している。
衛星画像、空中LiDAR、ベクトルマップなどの地理空間データソースは、このギャップを埋めることができるが、それらからの学習は困難である。
頭上データから連続的トラバーサビリティマップを学習し、人力GPSで直接監視し、LiDARから自己監督的な幾何学的先行情報によって形成する効率的な定式化を提案する。
モデルとともに、$\sim\!
1{,}244\,\mathrm{km}^{2}$は多様な地形で、1{,}130\,\mathrm{km}$は人間の運転である。
Clearpath Warthogのフィールドトライアルでは、2つの場所で7つのルートを横断し、3.66 %の人道長の軌道を達成し、演算子の介入を$\sim\!
地元のプランナーのみの自治に比べれば85セントだ。
関連論文リスト
- SkyDrive: Learning to Drive in a New City from Aerial Traffic Monitoring [69.91458772455071]
emphSkyDriveは、ドローンベースのトラフィック監視を使用して、新しい環境における自律運転エージェントの効率的な監視を提供するフレームワークである。
以上の結果から,航空交通監視は,新都市における自律走行システムに適応するための,効率的かつスケーラブルなデータソースであることが示唆された。
論文 参考訳（メタデータ） (2026-08-25T20:47:09Z) - Distilling Global Traversability Priors for Image-based Affordance Prediction in Off-road Environments [11.788562558317288]
非構造地形における自律ナビゲーションの標準的な手法は、長期のシナリオにおける筋電図的行動に起因している。
本研究では,FPV画像から直接,長距離走行可能なフロンティアを抽出することに注力する。
提案手法は,様々なオフラインベンチマークにおいて,既存手法に対する長距離オフロードナビゲーションの性能を10%以上向上させることを実証する。
論文 参考訳（メタデータ） (2026-07-20T14:16:17Z) - Traversability Aware Autonomous Navigation for Multi-Modal Mobility Morphobot (M4) [0.0]
この論文は、M4ロボットプラットフォームのためのトラバーサビリティ対応ナビゲーションフレームワークを提示する。
CNNベースのモデルが標高マップを処理し、走行可能性スコアを推定し、経路計画のためのナビゲーションコストに変換する。
カスタムのA*プランナーは、これらのコストを幾何学的距離とエネルギー消費と組み合わせて、貿易の適度な距離が増加する経路を見つける。
論文 参考訳（メタデータ） (2025-12-07T17:28:34Z) - Spatial Retrieval Augmented Autonomous Driving [81.39665750557526]
既存の自動運転システムは、環境認識のためのセンサーに頼っている。
本稿では,オフラインで取得した地理画像を付加入力として導入する空間検索パラダイムを提案する。
この新しい自動運転パラダイムのさらなる研究のために、データセットキュレーションコード、データ、ベンチマークをオープンソースにします。
論文 参考訳（メタデータ） (2025-12-07T14:40:49Z) - RoadRunner M&M -- Learning Multi-range Multi-resolution Traversability Maps for Autonomous Off-road Navigation [12.835198004089385]
RoadRunner (M&M) はエンドツーエンドの学習ベースのフレームワークで、さまざまな範囲のトレーバービリティと標高マップを直接予測する。
RoadRunner M&Mは、標高マッピングで最大50%の大幅な改善と、RoadRunner上でのトラバーサビリティ推定で30%の大幅な改善を実現している。
論文 参考訳（メタデータ） (2024-09-17T07:21:03Z) - RoadRunner -- Learning Traversability Estimation for Autonomous Off-road Driving [13.101416329887755]
我々は、カメラとLiDARセンサーの入力から直接地形変動を予測できるフレームワークであるRoadRunnerと、標高マップを提示する。
RoadRunnerは、センサ情報、不確実性の処理、コンテキスト情報による予測の生成を融合させることで、信頼性の高い自律ナビゲーションを可能にする。
我々は,非構造砂漠環境を通した複数の現実の運転シナリオにおいて,安全かつ信頼性の高いオフロードナビゲーションを実現する上で,ロードランナーの有効性を実証する。
論文 参考訳（メタデータ） (2024-02-29T16:47:54Z) - CoverNav: Cover Following Navigation Planning in Unstructured Outdoor
Environment with Deep Reinforcement Learning [1.0499611180329804]
オフロード地形やジャングル環境における隠蔽およびナビゲート可能な軌道を識別するための,Deep Reinforcement Learning に基づく新しいアルゴリズム CoverNav を提案する。
CoverNavは、ロボットエージェントが報酬関数を使って低い標高の地形を学習するのを助ける。
また,カバーナブの最大目標距離12mと,カバーオブジェクトの有無による異なる標高シナリオにおける成功率について検討した。
論文 参考訳（メタデータ） (2023-08-12T15:19:49Z) - 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) - ViKiNG: Vision-Based Kilometer-Scale Navigation with Geographic Hints [94.60414567852536]
長距離航法には、計画と局所的な移動可能性の推論の両方が必要である。
学習と計画を統合する学習に基づくアプローチを提案する。
ViKiNGは、画像ベースの学習コントローラを利用できる。
論文 参考訳（メタデータ） (2022-02-23T02:14:23Z) - SPIN Road Mapper: Extracting Roads from Aerial Images via Spatial and
Interaction Space Graph Reasoning for Autonomous Driving [64.10636296274168]
道路抽出は、自律航法システムを構築するための重要なステップである。
この問題に対して単に畳み込みニューラルネットワーク(ConvNets)を使用することは、画像内の道路セグメント間の遠い依存関係をキャプチャする非効率であるため、効果がない。
本研究では,ConvNetに接続した時,特徴写像から投影された空間空間および相互作用空間上に構築されたグラフの推論を行う空間空間グラフ推論(SPIN)モジュールを提案する。
論文 参考訳（メタデータ） (2021-09-16T03:52:17Z) - 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) - BADGR: An Autonomous Self-Supervised Learning-Based Navigation System [158.6392333480079]
BadGRは、エンドツーエンドの学習ベースのモバイルロボットナビゲーションシステムである。
実際の環境で収集された、自己監督型のオフポリシーデータでトレーニングすることができる。
BadGRは、幾何学的に邪魔な障害物を伴って、現実世界の都市やオフロード環境をナビゲートすることができる。
論文 参考訳（メタデータ） (2020-02-13T18:40:21Z)
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。