論文の概要: Hybrid Artificial Potential Fields and Spatio-Temporal Transformers for Real-Time AUV Path Planning

• arxiv url: http://arxiv.org/abs/2607.25056v1
• Date: Mon, 27 Jul 2026 20:34:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-29 20:50:42.61649
• Title: Hybrid Artificial Potential Fields and Spatio-Temporal Transformers for Real-Time AUV Path Planning
• Title（参考訳）: 実時間AUV経路計画のためのハイブリッド人工電位場と時空間変圧器
• Abstract要約: 本稿では,自律型水中車両(AUV)の経路計画アルゴリズムの比較評価を行う。 人工電位場 (APF) と時空間変圧器 (ST) を組み合わせたハイブリッド方式が提案されている。 ハイブリッドAPF+ST変換器は、最も短い平均経路長(943.15単位)、低い衝突速度(0.031単位)、効率的な計算時間(0.96秒)を達成し、バランスの良い性能を示した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Autonomous Underwater Vehicles (AUVs) operate in complex, unstructured environments where efficient and safe path planning is critical for mission success and energy conservation. This paper presents a comprehensive comparative evaluation of thirteen path planning algorithms, ranging from classical graph-search methods (A*, Dijkstra) and sampling-based approaches (RRT*) to metaheuristics (PSO, GA, ACO, BCO) and learning-based architectures. Special emphasis is placed on a proposed hybrid approach combining Artificial Potential Fields (APF) with a Spatio-Temporal (ST) Transformer. Evaluated across five navigation scenarios on high-resolution underwater terrain maps, all algorithms achieved 100\% task completion; however, significant trade-offs emerged in path optimality, collision avoidance, and computational load. The Hybrid APF + ST-Transformer demonstrated superior balanced performance, achieving the shortest average path length (943.15 units), a low collision rate (0.031), and efficient computation time (0.96 s), outperforming standalone learning models, which required fallback mechanisms and classical methods that incurred higher latency. While classical algorithms guaranteed collision-free paths, their excessive path lengths and processing times render them less suitable for dynamic underwater operations. Conversely, metaheuristic approaches introduced trajectory complexity unsuitable for strict energy constraints. Based on these findings, the Hybrid APF + ST framework is recommended as a principal approach for real-time AUV navigation, offering a robust solution that harmonizes reactive obstacle avoidance with global path optimality in resource-constrained underwater systems.
• Abstract（参考訳）: 自律型水中車両(AUV)は、ミッションの成功と省エネのために効率的で安全な経路計画が不可欠である複雑な非構造環境で運用されている。 本稿では,古典的なグラフ探索手法 (A*, Dijkstra) やサンプリングベースアプローチ (RRT*) からメタヒューリスティックス (PSO, GA, ACO, BCO) や学習ベースアーキテクチャ (Learning-based Architectures) まで,13経路計画アルゴリズムの総合的な比較評価を行う。 人工電位場(APF)と時空間変換器(ST)を組み合わせたハイブリッドアプローチが特に重視される。 高解像度水中地形マップ上の5つのナビゲーションシナリオで評価され、全てのアルゴリズムは100\%のタスク完了を達成したが、パス最適性、衝突回避、計算負荷に重大なトレードオフが生じた。 ハイブリッドAPF + ST-トランスフォーマーは、最も短い平均パス長(943.15単位)、低い衝突速度(0.031秒)、効率的な計算時間(0.96秒)を達成し、フォールバック機構と遅延を増大させる古典的な手法を必要とするスタンドアロン学習モデルよりも優れたバランス性能を示した。 古典的なアルゴリズムは衝突のない経路を保証するが、過度な経路の長さと処理時間により、動的水中操作には適さない。 逆にメタヒューリスティックなアプローチは、厳密なエネルギー制約には適さない軌跡複雑性を導入した。 これらの知見に基づき、Hybrid APF + STフレームワークは、資源制約された水中システムにおいて、反応性障害物回避とグローバルパス最適性を調和させる堅牢なソリューションとして、リアルタイムAUVナビゲーションの主要なアプローチとして推奨されている。

関連論文リスト

• Quality-Adaptive Multi-UAV 3D Reconstruction with Sparse Workload Redistribution [41.526558405254704]
  未知環境の3次元再構成はロボット工学における重要な応用である。 複数のUAVをデプロイし、効率的でスケーラブルなパス計画戦略を提供するのが一般的なアプローチです。 ユーザ定義の忠実度を持つ3Dマップを構築するための品質適応型分散型意思決定戦略を提案する。
  論文  参考訳（メタデータ） (2026-07-27T10:10:31Z)
• Enhanced UAV Path Planning Using the Tangent Intersection Guidance (TIG) Algorithm [0.0]
  Tangent Intersection Guidance (TIG) は、静的および動的環境の両方において、UAV経路計画の先進的なアプローチである。 脅威ごとに2つのサブパスを生成し、アルゴリズムルールに基づいて最適な経路を選択し、目標に到達するまで経路を反復的に洗練する。 TIGは衝突回避のための効率的なリアルタイムパス計画機能を示し、APFおよびダイナミックAPPATTアルゴリズムより優れている。
  論文  参考訳（メタデータ） (2025-08-26T12:11:59Z)
• Improved particle swarm optimization algorithm: multi-target trajectory optimization for swarm drones [20.531764063763678]
  従来のParticle Swarm Optimization (PSO) 手法は、リアルタイムシナリオにおける早期収束と遅延に苦慮している。 PSOベースのオンライントラジェクトリプランナであるPE-PSOを提案する。 遺伝的アルゴリズム(GA)に基づくタスク割り当てと分散PE-PSOを組み合わせたマルチエージェントフレームワークを開発した。
  論文  参考訳（メタデータ） (2025-07-18T04:31:49Z)
• Unified Path Planner with Adaptive Safety and Optimality [20.37811669228711]
  Unified Path Planner (UPP) は、動的安全コストを組み込んだ改良された障害物関数を利用するグラフ検索ベースのアルゴリズムである。 UPPは高い成功率を達成し、従来のA*よりもわずかにコストが増大し、最適に近い経路を生成する。
  論文  参考訳（メタデータ） (2025-05-29T07:34:56Z)
• 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)
• Deep-Sea A*+: An Advanced Path Planning Method Integrating Enhanced A* and Dynamic Window Approach for Autonomous Underwater Vehicles [1.3807821497779342]
  深海環境における極度の環境は、水中での作戦に重大な課題をもたらす。 改良されたA*アルゴリズムと動的ウィンドウアプローチ(DWA)を統合した高度な経路計画手法を提案する。 提案手法は,経路の滑らかさ,障害物回避,リアルタイム性能の観点から,従来のA*アルゴリズムを超越した手法である。
  論文  参考訳（メタデータ） (2024-10-22T07:29:05Z)
• Towards Robust Spacecraft Trajectory Optimization via Transformers [17.073280827888226]
  我々は,非最適制御問題をリアルタイムに解くための自律生成モデルを開発した。 我々はARTの能力を拡張し、確率制約のある最適制御問題に対処する。 この作業は、宇宙船のような安全クリティカルな自律システムにAI駆動のソリューションを確実に展開するための最初のステップである。
  論文  参考訳（メタデータ） (2024-10-08T00:58:42Z)
• LLM-A*: Large Language Model Enhanced Incremental Heuristic Search on Path Planning [91.95362946266577]
  経路計画はロボット工学と自律航法における基本的な科学的問題である。 A*やその変種のような伝統的なアルゴリズムは、パスの妥当性を保証することができるが、状態空間が大きくなるにつれて、計算とメモリの非効率が著しく低下する。 本稿では, A* の正確なパスフィニング能力と LLM のグローバルな推論能力とを相乗的に組み合わせた LLM ベースの経路計画法を提案する。 このハイブリッドアプローチは、特に大規模シナリオにおいて、パス妥当性の完全性を維持しながら、時間と空間の複雑さの観点からパスフィニング効率を向上させることを目的としている。
  論文  参考訳（メタデータ） (2024-06-20T01:24:30Z)
• Confidence-Controlled Exploration: Efficient Sparse-Reward Policy Learning for Robot Navigation [72.24964965882783]
  強化学習(RL)はロボットナビゲーションにおいて有望なアプローチであり、ロボットは試行錯誤を通じて学習することができる。 現実世界のロボットタスクは、しばしばまばらな報酬に悩まされ、非効率な探索と準最適政策に繋がる。 本稿では,RLに基づくロボットナビゲーションにおいて,報酬関数を変更せずにサンプル効率を向上させる新しい手法であるConfidence-Controlled Exploration (CCE)を紹介する。
  論文  参考訳（メタデータ） (2023-06-09T18:45:15Z)
• Combining Deep Learning and Optimization for Security-Constrained Optimal Power Flow [94.24763814458686]
  セキュリティに制約のある最適電力フロー(SCOPF)は、電力システムの基本である。 SCOPF問題におけるAPRのモデル化は、複雑な大規模混合整数プログラムをもたらす。 本稿では,ディープラーニングとロバスト最適化を組み合わせた新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-07-14T12:38:21Z)
• Robust Reinforcement Learning with Wasserstein Constraint [49.86490922809473]
  最適なロバストなポリシーの存在を示し、摂動に対する感度分析を行い、新しいロバストな学習アルゴリズムを設計する。 提案アルゴリズムの有効性はCart-Pole環境で検証する。
  論文  参考訳（メタデータ） (2020-06-01T13:48:59Z)
• Data Freshness and Energy-Efficient UAV Navigation Optimization: A Deep Reinforcement Learning Approach [88.45509934702913]
  我々は、移動基地局(BS)が配備される複数の無人航空機(UAV)のナビゲーションポリシーを設計する。 我々は、地上BSにおけるデータの鮮度を確保するために、エネルギーや情報年齢(AoI)の制約などの異なる文脈情報を組み込んだ。 提案したトレーニングモデルを適用することで、UAV-BSに対する効果的なリアルタイム軌道ポリシーは、時間とともに観測可能なネットワーク状態をキャプチャする。
  論文  参考訳（メタデータ） (2020-02-21T07:29:15Z)

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。