論文の概要: Risk-Aware Kinodynamic Motion Planning Under Uncertainty For Safe Navigation on Planetary Environments
- arxiv url: http://arxiv.org/abs/2608.11175v1
- Date: Tue, 11 Aug 2026 17:34:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-12 19:14:46.138324
- Title: Risk-Aware Kinodynamic Motion Planning Under Uncertainty For Safe Navigation on Planetary Environments
- Title（参考訳）: 惑星環境における安全ナビゲーションの不確実性を考慮したリスク対応運動計画
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.764671395172401
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: For autonomous space exploration, robotic agents need to perform motion planning in which environmental interactions may be unknown. Learning these interactions, such as terrain mechanics for wheeled robots, can introduce uncertainties that lead to risky motion plans and potentially hazardous operations or mission failures. Moreover, uncertainties induced by perception-based systems can exacerbate the problem of safe motion planning. In this letter, we address the problem of performing cost-optimal kinodynamic motion planning with risk awareness. We approach this in two steps. First, a sampling-based planner (AO-RRT) generates a dynamically feasible, risk-aware, and asymptotically cost-optimal trajectory. Second, we formulate motion planning as a nonlinear optimization problem and solve it using sequential convex programming (SCP), using the AO-RRT trajectory as an initial solution. By quantifying risk using conditional value-at-risk (CVaR), we demonstrate a reduction in risk by over $\sim$97\% across trajectories in simulation and hardware experiments.
- Abstract（参考訳）: 自律的な宇宙探査のためには、ロボットエージェントは環境相互作用が不明な動作計画を実行する必要がある。
車輪付きロボットの地形力学のようなこれらの相互作用を学ぶことは、危険な運動計画や潜在的に危険な作戦やミッション失敗につながる不確実性を導入する可能性がある。
さらに、知覚に基づくシステムによって引き起こされる不確実性は、安全な運動計画の問題を悪化させる可能性がある。
本稿では,リスク認識を伴うコスト最適キノダイナミック・モーション・プランニングの課題に対処する。
私たちはこれを2つのステップでアプローチします。
まず、サンプリングベースプランナー(AO-RRT)が動的に実現可能で、リスクを認識し、漸近的にコストを最適化する軌道を生成する。
次に、非線形最適化問題として動作計画を定式化し、AO-RRT軌道を初期解として逐次凸プログラミング(SCP)を用いて解く。
条件付きリスク(CVaR)を用いてリスクを定量化することにより,シミュレーションおよびハードウェア実験において,トラジェクトリ間のリスクを$\sim$97\%以上削減することを示した。
関連論文リスト
- Risk-Aware Motion Planning with Learned Trajectory Primitives and Probabilistic Safety Assessment [1.6822770693792821]
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。
論文 参考訳（メタデータ） (2026-07-29T11:41:00Z) - Occluding the Solution Space: Planner-Agnostic Adversarial Attacks on Tolerance-Aware Manipulation [57.9825059129472]
本稿では, 耐障害性を考慮したアタック・フレームワークを提案する。
提案手法は,評価パラダイムを目標領域を越えたタスクレベルの実現性にシフトする。
オンラインでは、この攻撃を最大カバレッジ最適化の予算として定式化しています。
論文 参考訳（メタデータ） (2026-07-04T08:14:44Z) - 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) - Navigating the Clutter: Waypoint-Based Bi-Level Planning for Multi-Robot Systems [54.887871365121775]
乱雑な環境におけるマルチロボット制御は、複雑な物理的制約を伴う難しい問題である。
タスクとモーションプランニングを協調的に最適化するハイブリッドマルチロボット制御フレームワークを提案する。
我々のアプローチは、動作に依存しないベースラインとVLAベースのベースラインよりもタスクの成功を継続的に改善する。
論文 参考訳（メタデータ） (2026-04-22T22:58:47Z) - 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) - Simultaneous Multi-Robot Motion Planning with Projected Diffusion Models [57.45019514036948]
MRMP拡散(MRMP Diffusion, SMD)は, 制約付き最適化を拡散サンプリングプロセスに統合し, 衝突のない, キネマティックに実現可能な軌道を生成する新しい手法である。
本稿では, ロボット密度, 障害物の複雑度, 動作制約の異なるシナリオ間の軌道計画アルゴリズムを評価するための総合的MRMPベンチマークを提案する。
論文 参考訳（メタデータ） (2025-02-05T20:51:28Z) - Monte Carlo Tree Search with Velocity Obstacles for safe and efficient motion planning in dynamic environments [49.30744329170107]
本稿では,動的障害物に関する情報を最小限に抑えた最適オンライン動作計画手法を提案する。
提案手法は,モデルシミュレーションによるオンライン最適計画のためのモンテカルロ木探索 (MCTS) と障害物回避のためのVelocity Obstacles (VO) を組み合わせた。
我々は,非線形モデル予測制御(NMPC)を含む最先端のプランナーに対して,衝突速度,計算,タスク性能の向上の観点から,我々の方法論の優位性を示す。
論文 参考訳（メタデータ） (2025-01-16T16:45:08Z) - Potential Based Diffusion Motion Planning [73.593988351275]
本稿では,潜在的行動計画の学習に向けた新しいアプローチを提案する。
我々はニューラルネットワークを訓練し、運動計画軌跡よりも容易に最適化可能なポテンシャルを捕捉し、学習する。
我々は、その固有の構成可能性を示し、様々な動きの制約に一般化することができる。
論文 参考訳（メタデータ） (2024-07-08T17:48:39Z) - LaPlaSS: Latent Space Planning for Stochastic Systems [8.529245639496274]
本稿では,自律型移動エージェントのリスクバウンド計画に対する「ジェネレーテッド・アンド・テスト」アプローチを提案する。
我々は変分オートエンコーダを用いて潜在線形力学モデルを学習し、計画問題を潜在空間にエンコードして候補軌道を生成する。
我々のアルゴリズムであるLaPlaSSは、学習力学を持つ実世界のエージェントに対して有界リスクを持つ軌道計画を生成することができることを示した。
論文 参考訳（メタデータ） (2024-04-10T14:52:35Z) - A GP-based Robust Motion Planning Framework for Agile Autonomous Robot
Navigation and Recovery in Unknown Environments [6.859965454961918]
本稿では,将来の動作計画失敗のリスクを積極的に検出するモデルを提案する。
リスクが一定の閾値を超えると、回復動作がトリガーされる。
我々のフレームワークは、計画立案者の失敗を予測し、計画立案者の成功の可能性を示すためにロボットを回復できる。
論文 参考訳（メタデータ） (2024-02-02T18:27:21Z)
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。