論文の概要: PathCover: A Fast Convex Decomposition along a Path via Randomized Iterative Space Partitioning (RISP) on Point Clouds

• arxiv url: http://arxiv.org/abs/2608.05586v1
• Date: Thu, 06 Aug 2026 04:17:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-07 17:43:06.698175
• Title: PathCover: A Fast Convex Decomposition along a Path via Randomized Iterative Space Partitioning (RISP) on Point Clouds
• Title（参考訳）: PathCover: ポイントクラウド上のランダム化された反復空間分割(RISP)による高速凸分解
• Abstract要約: 本稿では,自律型ロボットナビゲーションのための障害物のない領域を生成するためのフレームワークPathCoverを紹介する。 干渉のない参照経路に沿って連続的な進行を保ちながら、アルゴリズムが有限ステップで終了することを数学的に保証する。 完全なパイプラインは、高忠実度四足歩行シミュレーションと四足歩行ロボットへの物理的展開によって検証される。
• 参考スコア（独自算出の注目度）: 7.061252397888759
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autonomous robot navigation requires the rapid generation of obstacle-free regions for trajectory planning. However, existing corridor generators struggle to meet real-time, sensor-rate computational constraints. To resolve this bottleneck, we introduce PathCover, a framework driven by RISP; a novel randomized algorithm that constructs convex polytopes directly from raw point cloud data in expected linear time under a mild probabilistic elimination condition. PathCover generates sequences of overlapping, obstacle-free polytopes that safely constrain downstream MPC and trajectory optimization. We mathematically guarantee that the algorithm terminates in finite steps while ensuring continuous progress along any obstacle-free reference path. Extensive benchmarks on synthetic and real-world LiDAR datasets demonstrate an order-of-magnitude speedup over state-of-the-art methods while maintaining comparable corridor volumes. The complete pipeline is validated via high-fidelity quadrotor simulations and physical deployment on a quadrupedal robot navigating constrained environments using live LiDAR perception.
• Abstract（参考訳）: 自律型ロボットナビゲーションは、軌道計画のための障害物のない領域を迅速に生成する必要がある。 しかし、既存の廊下発電機は、リアルタイムでセンサーレートの計算制約を満たすのに苦労している。 このボトルネックを解決するために、RISPによって駆動されるフレームワークであるPathCoverを導入する。これは、軽度確率的除去条件の下で、期待される線形時間で原点雲データから直接凸多面体を構築する新しいランダム化アルゴリズムである。 PathCoverは、下流のMPCと軌道最適化を安全に制約する重なり合う障害物のないポリトープのシーケンスを生成する。 我々は,障害物のない参照経路に沿って連続的な進行を保ちながら,アルゴリズムが有限ステップで終了することを数学的に保証する。 合成および実世界のLiDARデータセットの大規模なベンチマークでは、同等の回廊容量を維持しながら、最先端の手法よりも高次のスピードアップを示す。 完全パイプラインは、ライブのLiDAR知覚を用いて、制約された環境をナビゲートする四足歩行ロボット上で、高忠実度四足歩行シミュレーションと物理的展開を通じて検証される。

関連論文リスト

• Nonlinear Model Predictive Control via Sequential Convex Programming for Drone-to-Drone Docking [0.0]
  本研究は, ドッキングタスクを外乱状態が拡張された低次非線形モデルに基づいて, 有限水平最適制御問題として定式化する。 その結果, 動的に実現可能なドッキング軌道を生成するために, 後退水平フレームワーク内での逐次凸プログラミングを用いて問題を解く。
  論文  参考訳（メタデータ） (2026-08-11T06:27:45Z)
• GASP: GPU-Accelerated Safe Planner for Real-Time Collision-Aware Motion Generation with Latent Trajectory Sampling [1.2669530824264628]
  GASPは、既知の環境でのリアルタイムで衝突対応の宇宙空間運動生成のためのGPUアクセラレーションセーフプランナである。 GASPは、クランプされたB-スプライン軌道パラメータ化と、自由内部制御点を予測する畳み込み残差ニューラルネットワークを組み合わせる。 我々は、GASPをオンラインモーションジェネレーションモジュールとして検証し、衝突認識能力の高い解析レベルの成功率を達成する。
  論文  参考訳（メタデータ） (2026-08-05T09:18:16Z)
• Biconvex Optimization for Smooth Minimum-Time Trajectories around Convex Obstacles [49.315843050082925]
  本稿では,最小時間移動計画凸障害物に対して,収束が保証されるバイアプローチを提案する。 提案手法は,変数の最先端分解を生成するために,時間とともに高品質な軌道を生成する。
  論文  参考訳（メタデータ） (2026-08-03T19:48:24Z)
• AutoPath: Learning Transferable Goal-Conditioned Stochastic Path Prior for Safe Navigation Without Human Demonstrations [103.61864552260316]
  動的環境におけるリアルタイムナビゲーションは、限られた知覚下での衝突のない、動的に実現可能な動きを必要とする。 我々は,移動可能な目標整合経路の学習としてナビゲーションを定式化し,局所的な観測に基づいて,目標整合な局所経路上の再利用可能な分布をモデル化する。 我々は、幾何対応の極性行動多様体を用いて局所経路をパラメータ化し、安定かつ安全対応の計画のためのマルチゴール分散ロールアウトによるリスク感応性ユーティリティシェーピングを含む構造化された事前学習フレームワークを開発した。
  論文  参考訳（メタデータ） (2026-07-13T16:00:41Z)
• Integrated Graph Search and Model Predictive Control for Smooth and Efficient Path Planning in Autonomous Vehicles [1.228397872697275]
  粗い経路は、まず、離散格子上のDijkstraサーチによって得られる。 経路を洗練させるためにモデル予測制御問題を定式化する。 提案アルゴリズムは, 直線道路および湾曲道路の複数のオーバーテイクシナリオにおいて評価される。
  論文  参考訳（メタデータ） (2026-07-05T12:14:33Z)
• Collision-Free Velocity Scheduling for Multi-Agent Systems on Predefined Routes via Inexact-Projection ADMM [0.0]
  構造化マルチエージェントプロジェクトでは、エージェントは事前に定義されたルートをたどらなければならず、リルーチンや不可能となる。 本稿では,各エージェントの割り当てられた経路の順序と名前付き経路の割り当てを保ちながら,経路制約付きマルチエージェント協調に対処する。
  論文  参考訳（メタデータ） (2026-03-23T12:34:18Z)
• Amortizing Trajectory Diffusion with Keyed Drift Fields [2.5352713493505785]
  キード・ドリフト・ポリシーズ (Keyed Drifting Policies) は、ドリフトフィールドの目標で訓練された1ステップの軌道生成装置である。 生成されたトラジェクトリを条件マッチングされたデータセットウィンドウに反映する。 1ステップの推論で高い性能を達成し、拡散サンプリングよりも計画遅延を大幅に低減する。
  論文  参考訳（メタデータ） (2026-03-14T17:56:15Z)
• Spatially-Aware Adaptive Trajectory Optimization with Controller-Guided Feedback for Autonomous Racing [74.83272587893508]
  本稿では,NURBSに基づく軌道表現,CMA-ESグローバル軌道最適化,コントローラ誘導空間フィードバックを組み合わせた自律レースライン最適化フレームワークを提案する。 シミュレーションでは,最大静的加速度をパラメータ化したコントローラと比較して17.38%のラップタイム短縮を実現している。 高摩擦から低摩擦まで様々なタイヤ化合物で試験された実ハードウェアでは、摩擦を明示的にパラメータ化することなく、7.60%のラップタイムの改善が得られる。
  論文  参考訳（メタデータ） (2026-02-17T15:10:44Z)
• FlowConsist: Make Your Flow Consistent with Real Trajectory [99.22869983378062]
  現在の高速フロートレーニングパラダイムには,2つの根本的な問題がある,と我々は主張する。 ランダムにペアリングされたノイズデータサンプルから構築された条件付き速度は、系統的な軌跡ドリフトを導入する。 本研究では,高速フローにおける軌道整合性を実現するためのトレーニングフレームワークであるFlowConsistを提案する。
  論文  参考訳（メタデータ） (2026-02-06T03:24:23Z)
• Unifying Environment Perception and Route Choice Modeling for Trajectory Representation Learning [47.00223863430964]
  Tray Learning (TRL) は、低次元ベクトルに生の軌跡をエンコードすることを目的としており、旅行時間推定、位置予測、軌道類似性解析など様々な下流タスクに活用できる。 効率的なtextbfPRTrajectory表現学習のための時間的明示的textRoute選択モデルであるtextbfPRTrajを提案する。
  論文  参考訳（メタデータ） (2025-10-16T15:55:28Z)
• Enhancing Path Planning Performance through Image Representation Learning of High-Dimensional Configuration Spaces [0.4143603294943439]
  障害物のある未知のシーンにおける経路計画タスクを高速化する新しい手法を提案する。 高速探索ランダムツリーアルゴリズムを用いて,衝突のない経路の経路点分布を近似した。 本実験は,臨界時間制約下での経路計画タスクを高速化する有望な結果を実証する。
  論文  参考訳（メタデータ） (2025-01-11T21:14:52Z)
• Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for Online Collision Avoidance [95.86944752753564]
  本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。 我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。 本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
  論文  参考訳（メタデータ） (2020-07-28T07:34:30Z)

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。