論文の概要: Risk-Aware Motion Planning with Learned Trajectory Primitives and Probabilistic Safety Assessment
- arxiv url: http://arxiv.org/abs/2607.26802v1
- Date: Wed, 29 Jul 2026 11:41:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-30 21:06:25.656048
- Title: Risk-Aware Motion Planning with Learned Trajectory Primitives and Probabilistic Safety Assessment
- Title（参考訳）: 学習軌道プリミティブを用いたリスク対応運動計画と確率論的安全性評価
- Abstract要約: 安全かつ効率的な都市自律運転のための放射基底関数ネットワーク(RBFN)インフォームド・モーション・プランニング・フレームワーク
ネットワークはgerk-minimal trajectoriesを学習し、MPCが縮小された動的に一貫した検索空間内で動作できるようにする。
その結果, リスク意識の向上と, 基準法に比べて車両限界違反の低減が認められた。
- 参考スコア（独自算出の注目度）: 1.6822770693792821
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: This paper presents a radial basis function network (RBFN)-informed motion planning framework for safe and efficient urban autonomous driving. The proposed approach combines RBFN-based candidate trajectory generation with an analytic collision probability assessment and optimization-based trajectory refinement. The network learns jerk-minimal trajectories, enabling the MPC to operate within a reduced and dynamically consistent search space. Candidate motion primitives are selected based on an accurate probabilistic risk measure. This design decreases solver complexity while preserving safety and constraint satisfaction. The framework is evaluated in numerous urban driving scenarios. Results demonstrate improved risk awareness and fewer vehicle-limit violations compared to benchmark methods. The proposed approach integrates learning-based trajectories into optimization-based motion planning, thereby ensuring safety and interpretability.
- Abstract（参考訳）: 本稿では,安全かつ効率的な都市自律運転のための放射ベース関数ネットワーク(RBFN)を用いた運動計画フレームワークを提案する。
提案手法は,RBFNに基づく候補軌道生成と解析的衝突確率評価と最適化に基づく軌道改善を組み合わせたものである。
ネットワークはgerk-minimal trajectoriesを学習し、MPCが縮小された動的に一貫した検索空間内で動作できるようにする。
正確な確率的リスク尺度に基づいて候補運動プリミティブを選択する。
この設計は、安全性と制約満足度を維持しながら、ソルバの複雑さを減少させる。
この枠組みは多くの都市運転シナリオで評価されている。
その結果, リスク意識の向上と, 基準法に比べて車両限界違反の低減が認められた。
提案手法は、学習に基づく軌道を最適化に基づく運動計画に統合することにより、安全性と解釈可能性を確保する。
関連論文リスト
- Risk-Aware Kinodynamic Motion Planning Under Uncertainty For Safe Navigation on Planetary Environments [0.764671395172401]
自律的な宇宙探査のためには、ロボットエージェントは環境相互作用が不明な動作計画を実行する必要がある。
リスク認識を伴うコスト最適キノダイナミック・モーションプランニングの課題に対処する。
シミュレーションおよびハードウェア実験において,軌道内におけるリスクの97%以上削減を実証した。
論文 参考訳（メタデータ） (2026-08-11T17:34:56Z) - From Attacks to Curricula: Learnability-Guided Adversarial Training for Safe Autonomous Driving [56.30087557121323]
AlignADVは学習性誘導型クローズドループ対向トレーニングフレームワークである。
敵のシナリオを解決可能で能力に整合したカリキュラムに変換する。
実験の結果、最大40.6%のトレーニングステップが短縮された。
論文 参考訳（メタデータ） (2026-06-12T02:13:55Z) - Bridging Predictive Uncertainty and Safe Action: Sample-Conditioned Differentiable Planning for Autonomous Driving [46.91409391705346]
複雑でダイナミックでインタラクティブな運転環境は、自動運転に重大な課題をもたらす。
現在のシステムにおける基本的なボトルネックは、高度に表現力のある不確実性モデリングと解釈可能な安全な動き計画との切り離しである。
本稿では, このギャップを埋めるために, 拡散生成将来の軌道を最適化プロセスに明示的に組み込む, サンプル条件付き微分可能計画フレームワークを提案する。
論文 参考訳（メタデータ） (2026-06-02T08:10:02Z) - RA-Nav: A Risk-Aware Navigation System Based on Semantic Segmentation for Aerial Robots in Unpredictable Environments [7.128475765820446]
既存の空飛ぶロボットナビゲーションシステムは、静的な障害物が突然動くと適応しない。
セマンティックセグメンテーションに基づくリスク対応ナビゲーションフレームワークであるRA-Navを提案する。
RA-Navは、突然の障害状態遷移シナリオにおいて、ベースラインよりも高い成功率を達成する。
論文 参考訳（メタデータ） (2026-02-19T16:26:43Z) - Risk-Aware Obstacle Avoidance Algorithm for Real-Time Applications [0.6299766708197881]
本研究は,車両経路に沿った障害物の確率論的モデリングと,自律表面容器のスムーズな軌道最適化を統合したハイブリッド型リスク対応ナビゲーションアーキテクチャを提案する。
提案手法は、運転安全性と自律性の向上を示し、不確実かつダイナミックな環境下でのリスク対応型自動運転車のミッションのための有望なソリューションとして確立する。
論文 参考訳（メタデータ） (2026-02-09T21:15:33Z) - Plan-R1: Safe and Feasible Trajectory Planning as Language Modeling [74.41886258801209]
本稿では,行動学習から原理的アライメントを分離する2段階の軌道計画フレームワークを提案する。
Plan-R1は計画の安全性と実現可能性を大幅に改善し、最先端の性能を達成する。
論文 参考訳（メタデータ） (2025-05-23T09:22:19Z) - Hybrid Imitation-Learning Motion Planner for Urban Driving [0.0]
本稿では,学習ベースと最適化ベースを融合した新しいハイブリッドモーションプランナを提案する。
我々のモデルは、これらの目的に固有のトレードオフを緩和し、安全性と人間の類似性を効果的にバランスさせます。
シミュレーション実験により本手法を検証し,現実の自動運転車に導入することで,その有効性を更に実証する。
論文 参考訳（メタデータ） (2024-09-04T16:54:31Z) - Hierarchical Policy Blending as Inference for Reactive Robot Control [21.058662668187875]
ぼんやりした、密集した、ダイナミックな環境における運動生成は、ロボット工学における中心的なトピックである。
反応ポリシーと計画の利点を組み合わせた階層的な動き生成手法を提案する。
平面ナビゲーションと6DoF操作の実験的研究により,提案手法は筋活動制御とオンライン再計画の両方に優れることが示された。
論文 参考訳（メタデータ） (2022-10-14T15:16:54Z) - Risk-Sensitive Sequential Action Control with Multi-Modal Human
Trajectory Forecasting for Safe Crowd-Robot Interaction [55.569050872780224]
本稿では,リスクに敏感な最適制御に基づく安全な群集ロボットインタラクションのためのオンラインフレームワークを提案し,そのリスクをエントロピーリスク尺度でモデル化する。
私たちのモジュラーアプローチは、クラウドとロボットの相互作用を学習ベースの予測とモデルベースの制御に分離します。
シミュレーション研究と実世界の実験により、このフレームワークは、現場にいる50人以上の人間との衝突を避けながら、安全で効率的なナビゲーションを実現することができることが示された。
論文 参考訳（メタデータ） (2020-09-12T02:02:52Z) - The Importance of Prior Knowledge in Precise Multimodal Prediction [71.74884391209955]
道路にはよく定義された地形、地形、交通規則がある。
本稿では,構造的事前を損失関数として組み込むことを提案する。
実世界の自動運転データセットにおけるアプローチの有効性を実証する。
論文 参考訳（メタデータ） (2020-06-04T03:56:11Z) - Chance-Constrained Trajectory Optimization for Safe Exploration and
Learning of Nonlinear Systems [81.7983463275447]
学習に基づく制御アルゴリズムは、訓練のための豊富な監督を伴うデータ収集を必要とする。
本稿では,機会制約付き最適制御と動的学習とフィードバック制御を統合した安全な探索による最適動作計画のための新しいアプローチを提案する。
論文 参考訳（メタデータ） (2020-05-09T05:57:43Z)
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。