Fugu-MT 論文翻訳(概要): VertiAKD: Adaptive Off-Road Kinodynamics on Vertically Challenging Terrain

論文の概要: VertiAKD: Adaptive Off-Road Kinodynamics on Vertically Challenging Terrain

arxiv url: http://arxiv.org/abs/2608.00945v1
Date: Sun, 02 Aug 2026 02:55:08 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-04 15:07:25.031938
Title: VertiAKD: Adaptive Off-Road Kinodynamics on Vertically Challenging Terrain
Title（参考訳）: VertiAKD: 垂直に面した地形上での適応オフロード力学
Abstract要約: VertiAKDは、様々な車両にまたがるオフロードキノダイナミックな知識の伝達と適応のための統一されたフレームワークである。 We demonstrate VertiAKD in the Verti-Bench simulator, built on the Chrono multi-physics engine, on on 5 physical configurations of the Verti-4-Wheeler platform。
参考スコア（独自算出の注目度）: 11.894870991511567
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Off-road mobility requires autonomous mobile robots to generalize across heterogeneous vehicle fleets and continuously changing terrain conditions. Existing cross-vehicle adaptation approaches generally assume flat terrain, while terrain-aware kinodynamic models often require platform-specific data collection and retraining. To this end, we propose VertiAKD, a unified framework for transferring and adapting off-road kinodynamic knowledge across diverse vehicles on geometrically and semantically complex terrain simultaneously. VertiAKD learns a shared mobility representation that jointly encodes vehicle configurations, trajectory transitions, and local elevation and semantic terrain features. Given limited data from a novel vehicle operating on unseen terrain, VertiAKD identifies the most relevant mobility descriptors and transfers their knowledge to initialize a terrain-aware kinodynamic model via function encoders, which is then periodically refined online from streaming observations without gradient-based retraining. We evaluate VertiAKD in the Verti-Bench simulator, built on the Chrono multi-physics engine, and on five physical configurations of the Verti-4-Wheeler platform. With only one minute of new trajectory data and associated terrain features, VertiAKD reduces long-horizon prediction error by up to 34.52% over direct mobility descriptor transfer across diverse unseen vehicle configurations and 94.43% over competing baselines. We further demonstrate robust closed-loop trajectory tracking in both simulation and physical experiments, highlighting the effectiveness of terrain-aware cross-vehicle knowledge transfer for accurate modeling and reliable off-road navigation.
Abstract（参考訳）: オフロードモビリティでは、自律移動ロボットが異種車両群をまたいで一般化し、地形条件を継続的に変更する必要がある。既存の車種間適応アプローチは一般に平坦な地形を仮定するが、地形を意識したキノダイナミクスモデルはプラットフォーム固有のデータ収集と再訓練を必要とすることが多い。この目的のために,多種多様な車両の幾何学的かつ意味論的に複雑な地形上で,オフロードキノダイナミックな知識の伝達と適応を同時に行う統合フレームワークであるVertiAKDを提案する。 VertiAKDは、車両の構成、軌道遷移、局所的な標高とセマンティックな地形の特徴を共同でエンコードする共有モビリティ表現を学習する。 VertiAKDは、未知の地形で動作する新しい車両の限られたデータから、最も関連性の高いモビリティ記述子を特定し、その知識を伝達して、ファンクションエンコーダを介して地形を意識したキノダイナミックモデルを初期化する。 We evaluate VertiAKD in the Verti-Bench simulator, built on the Chrono multi-physics engine, on on 5 physical configurations of the Verti-4-Wheeler platform。 1分間の新たな軌跡データとそれに関連する地形の特徴により、VertiAKDは、様々な未確認車両構成にまたがる直接移動ディスクリプタ転送で最大34.52%、競合するベースラインで94.43%の長水平予測誤差を減少させる。さらに、シミュレーションと物理実験の両方において、ロバストな閉ループ軌道追跡を実証し、正確なモデリングと信頼性の高いオフロードナビゲーションのための、地形対応の車間知識伝達の有効性を強調した。

関連論文リスト

MILD: Tractable Terrain Modeling for Learning Improved Bipedal Locomotion on Deformable Surfaces [27.312811759047023]
物理地上の離散要素接触解法を特徴とするMILDについて述べる。我々は、深い強化学習を通して地形認識コントローラを訓練する。本システムでは,様々な表面硬さのオンライン識別と適応性を実証する。
論文参考訳（メタデータ） (2026-08-20T12:24:34Z)
Adapting Generalist Vehicle Models for High-Speed MPC Across Terrains [12.56640534894248]
OptCarは、ジェネラリストからスペシャリストFKDモデルへのギャップを埋めるためのレシピだ。特定の車両の性能を最適化しながら、クロステランの一般化を保っている。 1地形あたりの実際のデータ量はわずか5分で、OptCarは30分間の道路データで訓練された専門家と道路上での競争力がある。
論文参考訳（メタデータ） (2026-07-14T22:59:40Z)
LiAuto-GeoX: Efficient Grounded Driving Transformer [54.23823436153608]
デプロイ可能なエゴ中心の3Dシーン理解のための効率的な基底駆動トランスフォーマである textbfLiAuto-GeoX を提案する。 textbfLiAuto-GeoX は KITTI 上で 220 FPS で動作し,高忠実度高密度化を保ち,リアルタイムな展開を実現している。
論文参考訳（メタデータ） (2026-06-04T06:58:44Z)
Koopman Operator Framework for Modeling and Control of Off-Road Vehicle on Deformable Terrain [0.0]
本研究は、自動オフロード車両の予測制御のためのハイブリッド物理インフォームドおよびデータ駆動モデリングフレームワークを提案する。コープマン線形システムは、変形可能な地形を走行する車両のシミュレーションデータを用いて構築することができる。予測結果から,軽度地形-標高変動下での短時間水平精度とロバスト性を示した。
論文参考訳（メタデータ） (2026-03-30T20:11:23Z)
VertiAdaptor: Online Kinodynamics Adaptation for Vertically Challenging Terrain [12.6823418300363]
VertiAdaptor (VA)は、地形を考慮したキノダイナミックモデリングと計画のためのオンライン適応フレームワークである。 VAは、一連のニューラル常微分方程式基底関数によって広がるキノダイナミック空間を学習し、複雑な車両とテランの相互作用をキャプチャする。 VAは予測精度を最大23.9%改善し、適応時間を5倍速くする。
論文参考訳（メタデータ） (2026-03-06T21:08:19Z)
CAR: Cross-Vehicle Kinodynamics Adaptation via Mobility Representation [12.994292036520681]
CAR(Cross-vehicle Kinodynamics Adaptation by Mobility Representation)は、新しい車両への高速移動を可能にする新しいフレームワークである。我々は,CARをクロノ多物理エンジン上に構築したVerti-Benchシミュレータを用いて評価し,Verti-4-Wheelerプラットフォームを4つの物理構成で評価した。
論文参考訳（メタデータ） (2026-03-06T20:34:55Z)
GeoDrive: 3D Geometry-Informed Driving World Model with Precise Action Control [50.67481583744243]
実世界モデルにロバストな3次元形状条件を明示的に統合したGeoDriveを紹介する。車両の位置を編集することでレンダリングを強化するため,トレーニング中の動的編集モジュールを提案する。動作精度と空間認識の両面で既存のモデルよりも優れていた。
論文参考訳（メタデータ） (2025-05-28T14:46:51Z)
MTGS: Multi-Traversal Gaussian Splatting [51.22657444433942]
マルチトラバースデータは、道路ブロック内のシーン再構築のための複数の視点を提供する。任意に収集したマルチトラバーサルデータから高品質な運転シーンを再構成する新しい手法であるマルチトラバーサル・ガウス・スプラッティング(MTGS)を提案する。その結果、MTGSはLPIPSを23.5%改善し、幾何学的精度は46.3%向上した。
論文参考訳（メタデータ） (2025-03-16T15:46:12Z)
VertiFormer: A Data-Efficient Multi-Task Transformer for Off-Road Robot Mobility [49.512339092493384]
VertiFormerは、たった1時間のデータでトレーニングされた、新しいデータ効率のマルチタスクトランスフォーマーモデルである。我々の実験は、限られたデータでオフロードロボットの移動にトランスフォーマーを効果的に活用するための洞察を提供する。
論文参考訳（メタデータ） (2025-02-01T20:21:00Z)
Stag-1: Towards Realistic 4D Driving Simulation with Video Generation Model [83.31688383891871]
本稿では,現実世界のシーンを再現するために,DrivinG(Stag-1)モデルのための空間-テンポラル・シミュレートを提案する。 Stag-1は、自動運転車のサラウンドビューデータを使用して、連続した4Dポイントのクラウドシーンを構築する。空間的時間的関係を分離し、コヒーレントな運転ビデオを生成する。
論文参考訳（メタデータ） (2024-12-06T18:59:56Z)
Monocular BEV Perception of Road Scenes via Front-to-Top View Projection [57.19891435386843]
本稿では,鳥の目視で道路配置と車両占有率によって形成された局所地図を再構築する新しい枠組みを提案する。我々のモデルは1つのGPU上で25FPSで動作し、リアルタイムパノラマHDマップの再構築に有効である。
論文参考訳（メタデータ） (2022-11-15T13:52:41Z)
VI-IKD: High-Speed Accurate Off-Road Navigation using Learned Visual-Inertial Inverse Kinodynamics [42.92648945058518]
Visual-Inertial Inverse Kinodynamics (VI-IKD) は、ロボットの前方の地形パッチからの視覚情報を基にした、新しい学習ベースのIKDモデルである。我々は,VI-IKDにより,最大3.5m/sの速度で様々な地形において,より正確で堅牢なオフロードナビゲーションを可能にすることを示す。
論文参考訳（メタデータ） (2022-03-30T01:43:15Z)

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。