論文の概要: VikPath: A Vision Kansformer Framework for Effective Obstacle Avoidance in Self-Supervised Pathfinding

• arxiv url: http://arxiv.org/abs/2608.22675v1
• Date: Mon, 24 Aug 2026 00:23:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:43.825392
• Title: VikPath: A Vision Kansformer Framework for Effective Obstacle Avoidance in Self-Supervised Pathfinding
• Title（参考訳）: VikPath: 自己監督型パスフィニングにおける効果的な障害物回避のための視覚的カンスフォーマフレームワーク
• Abstract要約: 障害物近接と経路平滑性を考慮した自己教師型パスフィンディングフレームワークを提案する。 $Design$は、スムーズなパス生成を維持しながら、平均3.28%の障害クリアランスと87.07%のレイテンシを達成する。
• 参考スコア（独自算出の注目度）: 12.76109113310209
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Pathfinding is a fundamental problem in artificial intelligence and autonomous systems. Traditional heuristic-based algorithms, such as A*, rely on predefined heuristic functions to guide the search process. Although effective in structured environments, their search efficiency can degrade substantially in complex, obstacle-rich scenarios, where handcrafted heuristics may provide limited guidance. Recent studies have explored learning-based approaches to improve pathfinding efficiency; however, most existing methods rely on supervised learning and require labels generated by conventional planners or obtained through manual annotation. As a result, their performance is inherently influenced by the quality of the underlying supervision and may degrade when the labeling heuristics fail to capture complex environmental structures. Moreover, existing methods primarily optimize for path length while paying limited attention to obstacle clearance and trajectory smoothness, which can lead to paths that are difficult or unsafe to execute in real-world environments. To address these limitations, we propose $\Design$, a self-supervised pathfinding framework that jointly considers obstacle proximity and path smoothness. At its core, our novel \textit{Vision Kansformer} module learns representations of obstacle distributions without relying on labeled trajectories, enabling the model to better adapt to complex environments. We further introduce a sharp-turn penalty to encourage smoother and more practically executable paths. Extensive experiments demonstrate that, compared with state-of-the-art (SOTA) approaches, $\Design$ achieves an average of 3.28\% greater obstacle clearance and 87.07\% lower inference latency while maintaining smooth path generation.
• Abstract（参考訳）: パスフィニングは人工知能と自律システムにおける根本的な問題である。 A*のような従来のヒューリスティックなアルゴリズムは、探索プロセスを導くために事前に定義されたヒューリスティックな関数に依存している。 構造化された環境では有効であるが、その探索効率は、手作りのヒューリスティックが限られたガイダンスを提供するような、複雑で障害物の多いシナリオで著しく低下する可能性がある。 近年、パスフィニング効率を改善するための学習に基づくアプローチが研究されているが、既存のほとんどの手法は教師あり学習に依存しており、従来のプランナーが作成したラベルや手作業によるアノテーションを必要とする。 その結果、それらの性能は根底にある監督の質に影響され、ラベル付けヒューリスティックスが複雑な環境構造を捕捉できないと劣化する可能性がある。 さらに、既存の手法は、障害物のクリアランスや軌道の滑らかさに注意を払いながら経路長を最適化し、現実の環境では実行が困難または安全でない経路につながる可能性がある。 これらの制約に対処するために,障害物近接性と経路滑らか性を考慮した自己教師型パスフィンディングフレームワークである$\Design$を提案する。 本モジュールのコアとなるのは,ラベル付きトラジェクトリを使わずに障害物分布の表現を学習し,複雑な環境への適応性を高めることである。 さらに、よりスムーズで実用的なパスを促進するために、鋭いターンペナルティを導入します。 大規模な実験では、最先端(SOTA)アプローチと比較して、$\Design$は、スムーズなパス生成を維持しながら、平均3.28倍の障害物クリアランスと87.07倍の推論遅延を達成する。

関連論文リスト

• 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)
• FlexPath: Learned Semantic Path Priors for Image-Based Planning [2.739231894601598]
  私たちはFlexPathという2段階のフレームワークを紹介します。 最短経路計画では、FlexPathは最先端のTransPathに比べてTMPの検索労力を14.3%削減している。 最小クリアランス距離2の障害物クリアランスでは、探索コストを低く保ちながら96.8%の完全な障害物回避を実現する。
  論文  参考訳（メタデータ） (2026-06-08T20:53:11Z)
• Towards Efficient Constraint Handling in Neural Solvers for Routing Problems [53.35866378109893]
  ニューラル・ルーティング・ソルバのための汎用的で効率的な制約処理フレームワークであるConstruct-and-Refineを提案する。 CaRは古典的およびニューラル・オブ・ザ・テク的解法と比較して、実現可能性、ソリューション品質、効率性が優れている。
  論文  参考訳（メタデータ） (2026-02-17T21:06:23Z)
• StruProKGR: A Structural and Probabilistic Framework for Sparse Knowledge Graph Reasoning [68.58655814341996]
  スパース知識グラフ(英: Sparse Knowledge Graphs, KG)は、知識が不完全あるいは限定的である現実世界のアプリケーションでよく見られるグラフである。 スパースKGの効率的かつ解釈可能な推論に適した構造的・確率的フレームワークStruProKGRを提案する。
  論文  参考訳（メタデータ） (2025-12-14T09:36:58Z)
• VLM-RRT: Vision Language Model Guided RRT Search for Autonomous UAV Navigation [4.022717732460524]
  本稿では,視覚言語モデル(VLM)のパターン認識機能とRRT(Rapidly-Exploring Random Trees)の経路計画強度を統合するハイブリッドアプローチであるビジョン言語モデルRT(VLM-RRT)を提案する。 提案手法は, サンプリング効率と経路品質を著しく向上させるため, 実現可能な経路を含む可能性が高い領域に対してサンプリングをバイアスする。
  論文  参考訳（メタデータ） (2025-05-29T09:15:44Z)
• LLM-A*: Large Language Model Enhanced Incremental Heuristic Search on Path Planning [91.95362946266577]
  経路計画はロボット工学と自律航法における基本的な科学的問題である。 A*やその変種のような伝統的なアルゴリズムは、パスの妥当性を保証することができるが、状態空間が大きくなるにつれて、計算とメモリの非効率が著しく低下する。 本稿では, A* の正確なパスフィニング能力と LLM のグローバルな推論能力とを相乗的に組み合わせた LLM ベースの経路計画法を提案する。 このハイブリッドアプローチは、特に大規模シナリオにおいて、パス妥当性の完全性を維持しながら、時間と空間の複雑さの観点からパスフィニング効率を向上させることを目的としている。
  論文  参考訳（メタデータ） (2024-06-20T01:24:30Z)
• An Efficient Learning-based Solver Comparable to Metaheuristics for the Capacitated Arc Routing Problem [67.92544792239086]
  我々は,高度メタヒューリスティックスとのギャップを著しく狭めるため,NNベースの解法を導入する。 まず,方向対応型注意モデル(DaAM)を提案する。 第2に、教師付き事前学習を伴い、堅牢な初期方針を確立するための教師付き強化学習スキームを設計する。
  論文  参考訳（メタデータ） (2024-03-11T02:17:42Z)
• Path Choice Matters for Clear Attribution in Path Methods [84.29092710376217]
  重要でない特徴に対する高い属性を割り当てるtextbfConcentration Principleを導入する。 次に、モデルに依存しないインタプリタである textbfSAMP を提示し、ほぼ最適経路を効率的に探索する。 また、厳密性と最適性を改善するために、無限小制約(IC)と運動量戦略(MS)を提案する。
  論文  参考訳（メタデータ） (2024-01-19T01:11:44Z)
• Learning Coverage Paths in Unknown Environments with Deep Reinforcement Learning [17.69984142788365]
  被覆経路計画 (CPP) は、制限された領域の自由空間全体をカバーする経路を見つける問題である。 この課題に対する強化学習の適性について検討する。 本稿では,フロンティアに基づく計算可能なエゴセントリックマップ表現と,全変動に基づく新たな報酬項を提案する。
  論文  参考訳（メタデータ） (2023-06-29T14:32:06Z)
• Autonomous search of real-life environments combining dynamical system-based path planning and unsupervised learning [0.0]
  本研究は,カオスカバレッジパスプランナの現実的応用のための新しいフレームワークを開発する。 効果的な障害物回避、カオス軌道分散、正確なリアルタイムカバレッジ計算のための技術を提供する。 このアプリケーションの性能は、従来の最適経路プランナーに匹敵するものだった。
  論文  参考訳（メタデータ） (2023-05-03T00:09:31Z)
• Efficient Exploration in Constrained Environments with Goal-Oriented Reference Path [15.679210057474922]
  環境マップに基づいて衝突のない経路を予測できる深層畳み込みネットワークを訓練する。 これは強化学習アルゴリズムによって、経路を忠実に追従することを学ぶために使われる。 提案手法は,新しい環境へのサンプル効率と一般化能力を継続的に改善することを示す。
  論文  参考訳（メタデータ） (2020-03-03T17:07:47Z)

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。