論文の概要: Future-Aware Flow Planning for Safe UAV Target Following
- arxiv url: http://arxiv.org/abs/2609.10166v1
- Date: Wed, 09 Sep 2026 13:40:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:09.039252
- Title: Future-Aware Flow Planning for Safe UAV Target Following
- Title（参考訳）: 安全なUAV目標追従のための今後の流れ計画
- Abstract要約: 現状のフォロワーは、曲がり角に遅れたり、封鎖された回廊を選択したり、安全でない準水平運動のトレーディングをしたりすることができる。
本稿では,現状のUAV目標に対する今後のフロープランニングフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 4.950533201061028
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: UAV target following in cluttered environments is inherently predictive: current-state followers can lag behind turns, choose blocked corridors, or trade tracking for unsafe near-horizon motion. We propose a future-aware flow planning framework for state-informed UAV target following. Predicted target futures guide clean UAV trajectory generation as horizon-aligned residual signals, while risk-scored executable-prefix repair is embedded inside the sampling loop. On fixed ID/OOD receding-horizon benchmarks, the planner improves the intended safety--tracking trade-off rather than dominating every metric: it matches zero measured ID collision rate with the highest ID safe-tracking time, and gives the lowest OOD macro collision rate and final tracking error among the displayed methods, while Future-MPC remains smoother and stronger on some thresholded OOD success metrics under its hand-designed objective. Ablations show that future adaptation improves candidate generation before safety repair, and simulator-facing stress tests probe interface, sensing, and controller-execution effects. These results support horizon-aligned future adaptation and embedded prefix repair as complementary ingredients for safe UAV target following under the tested simulation conditions.
- Abstract（参考訳）: 乱雑な環境でのUAVの標的は本質的に予測的であり、現在状態のフォロワーはターンを遅れたり、ブロックされた回廊を選択したり、安全でない準水平運動のトレーディングトラッキングを行うことができる。
本稿では,現状のUAV目標に対する今後のフロープランニングフレームワークを提案する。
予測対象先物は、水平方向の残差信号としてUAV軌道生成をガイドし、リスクマーク付き実行前修正をサンプリングループ内に埋め込む。
固定ID/OODレジングホライゾンベンチマークでは、測定されたID衝突速度を最大ID追跡時間と一致させ、表示されたメソッドの中でOODマクロ衝突率と最終追跡誤差を最小にし、Future-MPCは手作業で設計したOOD成功指標よりもスムーズで強固である。
アブレーションにより、将来の適応は安全修復前の候補生成を改善し、シミュレーターに面したストレステストプローブインターフェース、センシング、コントローラ実行効果が向上することが示された。
これらの結果は, 実験条件下での安全なUAV目標の補完材料として, 水平方向の将来の適応と埋込みプレフィックス修復を支援する。
関連論文リスト
- Neuro-Symbolic Safety Guidance for Vision-Language-Action Models via Constrained Flow Matching [11.335076684744628]
既存の安全対策は、ロボットの次の動作による衝突を防ぐだけである。
本稿では,フローマッチングに基づくVLAのニューラルネットワークによる安全誘導機構を提案する。
本手法は, 衝突回避率82.8%, タスク成功率81.6%, それぞれ6.3%, 19.8%向上した。
論文 参考訳（メタデータ） (2026-07-01T18:41:33Z) - VLESA: Vision-Language Embodied Safety Agent for Human Activity Monitoring [60.53395558502203]
Vision-Language Embodied Safety Agent (VLESA)は、自我中心のビデオから人間の活動を監視する。
VLESAは、コンテキストに応じて同一のアクションが安全または危険である意図に依存した安全性に対処する。
目標を共同で推測し,映像から将来の行動を予測するための意図-行動予測エージェントを提案する。
論文 参考訳（メタデータ） (2026-06-02T17:42:17Z) - CLOVER: Closed-Loop Value Estimation and Ranking for End-to-End Autonomous Driving Planning [11.2767413780552]
CLOVERはエンドツーエンドの自動運転計画のためのフレームワークである。
ジェネレータは多様な候補軌道を生成し、スコアは計画値のサブスコアを予測する。
ジェネレータは教師が選択したトップ$とベクターParetoターゲットに洗練される。
論文 参考訳（メタデータ） (2026-05-14T17:32:18Z) - OnFly: Onboard Zero-Shot Aerial Vision-Language Navigation toward Safety and Efficiency [9.769964979769204]
ゼロショットAVLNのためのフルオンボードリアルタイムフレームワークOnFlyを提案する。
OnFlyは、低周波進行監視から高周波目標生成を分離する、共有パーセプション二重エージェントアーキテクチャを採用している。
シミュレーションでは、OnFlyは最強の最先端ベースラインと比較してタスク成功率を26.4%から67.8%に改善している。
論文 参考訳（メタデータ） (2026-03-11T11:48:22Z) - Detecting Object Tracking Failure via Sequential Hypothesis Testing [80.7891291021747]
ビデオにおけるリアルタイムのオンラインオブジェクト追跡は、コンピュータビジョンにおける中核的なタスクである。
本稿では,物体追跡を逐次的仮説テストとして解釈することを提案する。
本研究では,地中追跡情報と内部追跡情報の両方を活用することにより,教師なしと教師なしの両方の変種を提案する。
論文 参考訳（メタデータ） (2026-02-13T14:57:15Z) - Eva-Tracker: ESDF-update-free, Visibility-aware Planning with Target Reacquisition for Robust Aerial Tracking [51.06229328990625]
Eva-Trackerは、航空追跡のための可視性を考慮した軌道計画フレームワークである。
ESDF更新を排除し、リカバリ可能なパス生成メソッドを組み込んで、ターゲット再取得を行う。
提案手法は,従来の最先端手法よりも計算労力の少ないロバストな追跡結果を提供する。
論文 参考訳（メタデータ） (2026-02-13T02:56:34Z) - Building a Foundational Guardrail for General Agentic Systems via Synthetic Data [76.18834864749606]
LLMエージェントは、計画段階で介入するマルチステップタスクを計画できる。
既存のガードレールは主にポスト・エグゼクティブ(英語版)を運用しており、スケーリングが困難であり、計画レベルで制御可能な監督を行う余地がほとんどない。
我々は、良性軌道を合成し、カテゴリーラベル付きリスクを困難に注入し、自動報酬モデルを介して出力をフィルタリングする制御可能なエンジンであるAuraGenを紹介する。
論文 参考訳（メタデータ） (2025-10-10T18:42:32Z) - ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
ResADは正規化された残留軌道モデリングフレームワークである。
学習タスクを再編成し、慣性参照からの残留偏差を予測する。
NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
論文 参考訳（メタデータ） (2025-10-09T17:59:36Z) - Preliminary Investigation into Uncertainty-Aware Attack Stage Classification [81.28215542218724]
この研究は、不確実性の下での攻撃段階推論の問題に対処する。
Evidential Deep Learning (EDL) に基づく分類手法を提案し、ディリクレ分布のパラメータを可能な段階に出力することで予測の不確実性をモデル化する。
シミュレーション環境における予備実験により,提案モデルが精度良く攻撃の段階を推定できることが実証された。
論文 参考訳（メタデータ） (2025-08-01T06:58:00Z) - ASMA: An Adaptive Safety Margin Algorithm for Vision-Language Drone Navigation via Scene-Aware Control Barrier Functions [9.645098673995317]
VLNを運用するドローンプラットフォームについて検討し、新しいシーン認識CBFを定式化することによって安全性を向上させる。
CBFのないベースラインシステムは、コマンドを順序づけられたランドマークのシーケンスに変換するために、モーダルな注意を持つビジョンランゲージを使用する。
ASMAは移動物体を追跡し、シーン認識CBF評価をオンザフライで実行し、追加の制約として機能する。
論文 参考訳（メタデータ） (2024-09-16T13:44:50Z)
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。