論文の概要: Learning-Based Motion Planning for Dynamic Environments: From Foundational Algorithms to Emerging Paradigms
- arxiv url: http://arxiv.org/abs/2608.00625v1
- Date: Sat, 01 Aug 2026 12:30:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-04 15:07:24.829873
- Title: Learning-Based Motion Planning for Dynamic Environments: From Foundational Algorithms to Emerging Paradigms
- Title（参考訳）: 動的環境のための学習型運動計画:基礎アルゴリズムから新しいパラダイムへ
- Abstract要約: 動的環境における運動計画はロボット工学の基本的な問題である。
自律運転、サービスロボティクス、倉庫のロジスティクス、人間とロボットのコラボレーション、群衆のナビゲーション、マルチロボットシステムなど幅広い用途がある。
- 参考スコア（独自算出の注目度）: 41.01630247248689
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Motion planning in dynamic environments is a fundamental problem in robotics, aiming to generate safe and efficient paths, trajectories, or control actions in the presence of moving obstacles, uncertain predictions, and multi-agent interactions. It has broad applications in autonomous driving, service robotics, warehouse logistics, human-robot collaboration, crowd navigation, and multi-robot systems. This survey reviews representative works published primarily between 2015 and 2025, with a particular focus on how recent learning-based advances extend, complement, or interact with classical planning foundations. We first revisit classical planning methods as algorithmic foundations and reference frameworks for learning-based extensions. We then propose a role-of-learning taxonomy that categorizes existing methods according to how learning participates in the planning pipeline, including direct policy learning, learning-augmented classical planning, hybrid planning, and training enhancement methods. For each category, we summarize the main problem settings, representative algorithms, key ideas, integration mechanisms, strengths, and limitations. We further analyze how observation representations, prediction uncertainty, interaction modeling, planner integration, safety constraints, and training strategies shape learning-based motion planning in dynamic environments. Finally, we discuss open challenges and future directions, including sim-to-real gap, safe and certifiable planning, dense crowd navigation, perception-planning coupling, and embodied AI.
- Abstract（参考訳）: 動的環境における運動計画は、安全で効率的な経路、軌道、移動する障害物、不確実な予測、マルチエージェント相互作用の存在下での制御行動を生成することを目的とした、ロボット工学の基本的な問題である。
自律運転、サービスロボティクス、倉庫のロジスティクス、人間とロボットのコラボレーション、群衆のナビゲーション、マルチロボットシステムなど幅広い用途がある。
この調査は、2015年から2025年の間に主に出版された代表作をレビューし、最近の学習ベースの進歩がどのように古典的な計画基盤を拡張し、補完し、相互作用するかに焦点を当てた。
まず,学習ベース拡張のためのアルゴリズム基盤と参照フレームワークとして,古典的計画手法を再考する。
次に、直接政策学習、学習強化された古典的計画、ハイブリッド計画、訓練強化方法を含む、計画パイプラインへの学習の仕方に応じて既存の手法を分類する、学習の役割の分類を提案する。
各カテゴリについて、主要な問題設定、代表アルゴリズム、主要なアイデア、統合メカニズム、強度、制限についてまとめる。
さらに、動的環境における観察表現、予測不確実性、相互作用モデリング、プランナー統合、安全制約、学習に基づく運動計画の学習戦略について分析する。
最後に、シモン・トゥ・リアルギャップ、安全で証明可能な計画、密集した群衆ナビゲーション、知覚計画結合、具体化されたAIなど、オープンな課題と今後の方向性について議論する。
関連論文リスト
- Motion Planning in Dynamic Environments: A Survey from Classical to Modern Methods [12.194296567991657]
本稿では,古典的アプローチと学習的アプローチの両方にまたがる138作品の包括的調査を行う。
動作計画手法は, サンプリング, グラフ探索, モデル予測制御, 学習, その他の古典的局所計画手法の5つのカテゴリに分類される。
この調査は各手法の原則、強み、限界を分析し、特に動的環境に特有の課題に注目している。
論文 参考訳（メタデータ） (2026-06-01T13:47:51Z) - World Models: A Comprehensive Survey of Architectures, Methodologies, Reasoning Paradigms, and Applications [45.91444310391651]
世界モデルは、環境の構造と力学を学習する内部シミュレータであり、人工知能の追求において中心的なパラダイムとして現れてきた。
強化学習、ロボット工学、自動運転、ビデオ生成など、急速に進歩しているにもかかわらず、この分野には統一された枠組みが欠けている。
本調査では,4次元にまたがる多軸分類とのギャップについて考察する。
論文 参考訳（メタデータ） (2026-05-28T21:23:24Z) - Embodied Robot Manipulation in the Era of Foundation Models: Planning and Learning Perspectives [101.22313265304979]
近年のビジョン,言語,マルチモーダル学習の進歩は,ロボット基礎モデルの進歩を加速させている。
本研究は,ロボットの操作をアルゴリズムの観点から検討する。
我々は、近年の学習に基づくアプローチを、高レベルの計画と低レベルの制御の統一的な抽象化の中に整理する。
論文 参考訳（メタデータ） (2025-12-28T16:05:38Z) - Generative AI in Transportation Planning: A Survey [41.38132349994159]
我々は、交通計画においてGenAIを活用するための最初の包括的枠組みを提示する。
交通計画の観点から, 記述的, 予測的, 生成的, シミュレーション, 説明可能なタスクの自動化におけるGenAIの役割を検討する。
データ不足、説明可能性、バイアス軽減、ドメイン固有の評価フレームワークの開発など、重要な課題に対処する。
論文 参考訳（メタデータ） (2025-03-10T10:33:31Z) - The Integration of Prediction and Planning in Deep Learning Automated Driving Systems: A Review [43.30610493968783]
我々は、最先端のディープラーニングベースの計画システムについてレビューし、どのように予測を統合するかに焦点を当てる。
異なる統合原則の意味、強み、限界について論じる。
論文 参考訳（メタデータ） (2023-08-10T17:53:03Z) - Safe Multi-agent Learning via Trapping Regions [89.24858306636816]
我々は、動的システムの定性理論から知られているトラップ領域の概念を適用し、分散学習のための共同戦略空間に安全セットを作成する。
本稿では,既知の学習力学を持つシステムにおいて,候補がトラップ領域を形成することを検証するための二分分割アルゴリズムと,学習力学が未知のシナリオに対するサンプリングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-02-27T14:47:52Z) - Smoothed Online Learning for Prediction in Piecewise Affine Systems [43.64498536409903]
本稿では,最近開発されたスムーズなオンライン学習フレームワークに基づく。
これは、断片的なアフィン系における予測とシミュレーションのための最初のアルゴリズムを提供する。
論文 参考訳（メタデータ） (2023-01-26T15:54:14Z) - Learning-based Motion Planning in Dynamic Environments Using GNNs and
Temporal Encoding [15.58317292680615]
組込みとエッジ優先化ポリシの両方を学習するために,データアグリゲーションを用いた時間符号化と模倣学習を用いたGNNベースのアプローチを提案する。
実験により, 提案手法は, 最先端の完全な動的計画アルゴリズムよりも, オンラインプランニングを著しく高速化できることが示された。
論文 参考訳（メタデータ） (2022-10-16T01:27:16Z) - Procedure Planning in Instructional Videosvia Contextual Modeling and
Model-based Policy Learning [114.1830997893756]
本研究は,実生活ビデオにおける目標指向アクションを計画するモデルを学習することに焦点を当てる。
本研究では,ベイズ推論とモデルに基づく模倣学習を通して,人間の行動のモデル化を行う新しいアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-10-05T01:06:53Z) - Behavior Priors for Efficient Reinforcement Learning [97.81587970962232]
本稿では,情報とアーキテクチャの制約を,確率論的モデリング文献のアイデアと組み合わせて行動の事前学習を行う方法について考察する。
このような潜伏変数の定式化が階層的強化学習(HRL)と相互情報と好奇心に基づく目的との関係について論じる。
シミュレーションされた連続制御領域に適用することで,フレームワークの有効性を実証する。
論文 参考訳（メタデータ） (2020-10-27T13:17:18Z)
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。