論文の概要: MPPI Planning with Gaussian-Based Human Cost Function for Social Navigation

• arxiv url: http://arxiv.org/abs/2608.08323v2
• Date: Tue, 11 Aug 2026 07:25:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-12 16:08:30.565267
• Title: MPPI Planning with Gaussian-Based Human Cost Function for Social Navigation
• Title（参考訳）: ガウスに基づくソーシャルナビゲーションのための人的コスト関数を用いたMPPI計画
• Authors: Chinmay Mundane,
• Abstract要約: 本研究では,全運動計画地平線上での予測を伝搬するコストの定式化を提案する。 各フィールドの前方展開は、歩行者の速度とともに成長し、移動円錐危険帯を形成する。 定式化は閉形式であり、ロールアウト間で完全に並列化可能であるため、測定可能な計算オーバーヘッドは生じない。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Safe robot navigation in crowded spaces requires planning that accounts for where people will be, not only where they are now. Model Predictive Path Integral (MPPI) control is an effective sampling-based planner, but many implementations encode humans as static point obstacles at their current positions, underestimating risk in dynamic scenes. We propose Predictive Gaussian Interaction Fields (PGIF), a spatiotemporal cost formulation that propagates pedestrian predictions forward over the full planning horizon and encodes them as anisotropic Gaussian repulsive fields aligned with each pedestrian's direction of motion. The forward spread of each field grows with the pedestrian's speed, creating a motion cone danger zone that penalises robot trajectories entering the pedestrian's path of travel more strongly than those approaching from behind. The formulation is closed-form and fully parallelisable across rollouts, adding no measurable computational overhead. Evaluated over 300 randomised crowd scenarios at three density levels, PGIF-MPPI achieves a 0% collision rate at every density level, compared with up to 82% for vanilla MPPI, while maintaining real-time planning performance.
• Abstract（参考訳）: 混雑した場所での安全なロボットナビゲーションには、現在どこにいるかだけでなく、人々がどこにいるかを説明する計画が必要です。 モデル予測経路積分(MPPI)制御は効果的なサンプリングベースプランナーであるが、多くの実装では人間を現在の位置における静的な障害物として符号化し、動的シーンのリスクを過小評価している。 提案する予測ガウス相互作用場 (PGIF) は, 歩行者の移動方向に沿った異方性ガウス反動場として, 歩行者の予測を全計画地平線上に伝播させ, それらを符号化する時空間費用計算法である。 各フィールドの前方展開は、歩行者の速度とともに成長し、歩行者の進路に入るロボット軌道を後方から接近するロボットよりも強く誘導する移動円錐の危険地帯を形成する。 定式化は閉形式であり、ロールアウト間で完全に並列化可能であるため、測定可能な計算オーバーヘッドは生じない。 3つの密度レベルで300以上のランダム化された群衆シナリオを評価すると、PGIF-MPPIは各密度レベルで0%の衝突率を達成する。

関連論文リスト

• Beyond Fixed Goal Delivery: Online POMDP Planning for Target Interception in Crowds [5.42183965772918]
  密集した環境での標的迎撃は、不確実な人間エージェントの間を航行しながら移動目標に達する必要がある。 観衆のインターセプションを部分的に観測可能なマルコフ決定プロセスとして定式化し、木探索を用いてオンラインで解決する。 本研究では,まず空間的な経路を計画し,それに沿った速度を変調する逐次経路速度プランナと,樹木探索における操舵と速度を連係する統合プランナとの制御された比較を行う。
  論文  参考訳（メタデータ） (2026-07-20T21:18:01Z)
• FLAP: FOV-Constrained Active Perception Planning for Prior-Map-Free 3D Navigation [11.226202958671502]
  本稿では,アクティブな知覚を軌道最適化に直接統合する新しい計画フレームワークを提案する。 パラメトリック起動時最適化を用いたアクティブな知覚サブ軌道セグメントを導入し、遅延障害物検出による衝突リスクを軽減した。 我々の定式化は、主に水平運動のために設計された従来の方法を超えて、任意の3D操作中にアクティブな知覚を可能にする。
  論文  参考訳（メタデータ） (2026-06-16T07:40:30Z)
• Simulation-Informed Diffusion for Decentralized Multi-robot Motion Planning [56.240199425429445]
  マルチロボットモーションプランニングでは、各ロボットが局所的な観測から衝突のない軌道を生成する必要がある。 既存のほとんどのプランナは、ローカル観測の静的スナップショットからトラジェクトリを生成する。 本稿では,制約対応拡散モデルに基づく分散フレームワークであるSimulation-Informed Diffusion (SID)を紹介する。
  論文  参考訳（メタデータ） (2026-05-26T21:17:53Z)
• 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)
• ParaMaP: Parallel Mapping and Collision-free Motion Planning for Reactive Robot Manipulation [17.260700135265267]
  未知の環境でのロボット操作には、リアルタイムおよび衝突のないモーションプランニングが依然として困難である。 本研究では,Euclidean Distance Transform(EDT)に基づく環境表現をサンプリングベースモデル予測制御(SMPC)プランナと密に統合する並列マッピングと動作計画フレームワークを提案する。 提案手法の有効性は, 7-DoFロボットマニピュレータを用いた広範囲なシミュレーションと実世界の実験により検証した。
  論文  参考訳（メタデータ） (2025-12-27T12:24:10Z)
• NOVA: Navigation via Object-Centric Visual Autonomy for High-Speed Target Tracking in Unstructured GPS-Denied Environments [56.35569661650558]
  我々はNOVAというオブジェクト中心のフレームワークを導入し、ロバストな目標追跡と衝突認識ナビゲーションを可能にした。 グローバルマップを構築するのではなく、NOVAはターゲットの参照フレーム内での知覚、推定、制御を定式化する。 我々は,都市迷路や森林の小道,間欠的なGPS損失を伴う建物内の繰り返し遷移など,現実の挑戦的なシナリオにまたがってNOVAを検証する。
  論文  参考訳（メタデータ） (2025-06-23T14:28:30Z)
• Implicit Occupancy Flow Fields for Perception and Prediction in Self-Driving [68.95178518732965]
  自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。 既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。 これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
  論文  参考訳（メタデータ） (2023-08-02T23:39:24Z)
• SABER: Data-Driven Motion Planner for Autonomously Navigating Heterogeneous Robots [112.2491765424719]
  我々は、データ駆動型アプローチを用いて、異種ロボットチームをグローバルな目標に向けてナビゲートする、エンドツーエンドのオンラインモーションプランニングフレームワークを提案する。 モデル予測制御(SMPC)を用いて,ロボット力学を満たす制御入力を計算し,障害物回避時の不確実性を考慮した。 リカレントニューラルネットワークは、SMPC有限時間地平線解における将来の状態の不確かさを素早く推定するために用いられる。 ディープQ学習エージェントがハイレベルパスプランナーとして機能し、SMPCにロボットを望ましいグローバルな目標に向けて移動させる目標位置を提供する。
  論文  参考訳（メタデータ） (2021-08-03T02:56:21Z)
• Multi-Agent Path Planning based on MPC and DDPG [14.793341914236166]
  モデル予測制御(MPC)とDeep Deterministic Policy Gradient(DDPG)を組み合わせた新しいアルゴリズムを提案する。 ddpg with continuous action spaceは、ロボットに学習と自律的な意思決定機能を提供するように設計されている。 航空母艦デッキや四角形などの不確定な環境でのシミュレーション実験にunity 3dを用いる。
  論文  参考訳（メタデータ） (2021-02-26T02:57:13Z)
• End-to-end Interpretable Neural Motion Planner [78.69295676456085]
  複雑な都市環境での自律走行学習のためのニューラルモーションプランナー(NMP)を提案する。 我々は,生lidarデータとhdマップを入力とし,解釈可能な中間表現を生成する全体モデルを設計した。 北米のいくつかの都市で収集された実世界の運転データにおける我々のアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2021-01-17T14:16:12Z)

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。