論文の概要: DynoFluxBench: Benchmarking Kinodynamic Space-Time Planners in Dynamic Environments
- arxiv url: http://arxiv.org/abs/2609.18549v1
- Date: Wed, 16 Sep 2026 12:13:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-20 08:55:53.794
- Title: DynoFluxBench: Benchmarking Kinodynamic Space-Time Planners in Dynamic Environments
- Title（参考訳）: DynoFluxBench: 動的環境における動的時空プランナのベンチマーク
- Abstract要約: 本研究では, 既知, 動的環境におけるキノダイナミックプランナと非有界到着時間を比較するためのフレームワークを提案する。
我々は, キノダイナミックと時空を融合したST-Db-RRT, ST-GBRRT, KISTという3つの専用プランナーを開発した。
我々はDynoFluxBenchを用いてST-Db-RRT, ST-GBRRT, KISTを評価し, ST-Db-RRTが最大32倍高速となることを示す。
- 参考スコア（独自算出の注目度）: 4.638427167534405
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Robots that leave structured, static environments must plan motions that are kinodynamically feasible and safe among moving obstacles. However, there are no dedicated benchmark frameworks that combine both aspects. To overcome this, we present DynoFluxBench, a framework to compare kinodynamic planners in known, dynamic environments with unbounded arrival time. To demonstrate its utility and establish strong baselines, we develop three dedicated planners, named ST-Db-RRT, ST-GBRRT, and KIST, that fuse kinodynamic and space-time methods, covering different kinodynamic search paradigms: ST-Db-RRT expands with randomly selected discontinuity-bounded motion primitives using trajectory optimization, whereas KIST and ST-GBRRT maintain a kinodynamically feasible tree with different heuristic guidance. We analyze the probabilistic completeness guarantees of those new planners in dynamic environments. Finally, we evaluate ST-Db-RRT, ST-GBRRT, and KIST using DynoFluxBench, showing that ST-Db-RRT reaches a first solution up to 32 times faster, while KIST and ST-GBRRT remain valuable where trajectory optimization is fragile. Videos and further analysis can be found at https://dynofluxbench.github.io/dynofluxbench/.
- Abstract（参考訳）: 構造的、静的な環境を残したロボットは、動いた障害物の中でキノダイナミックに実現可能で安全な動きを計画しなければならない。
しかしながら、両方の側面を組み合わせた専用のベンチマークフレームワークはありません。
これを解決するために、既知の動的環境におけるキノダイナミックプランナと非有界到着時間を比較するためのフレームワークであるDynoFluxBenchを提案する。
有効性を実証し、強力なベースラインを確立するために、3つの専用プランナーであるST-Db-RRT、ST-GBRRT、KISTを開発し、キノダイナミックと時空を融合させ、異なるキノダイナミック検索パラダイムを包含する: ST-Db-RRTは軌道最適化を用いてランダムに選択された不連続境界運動プリミティブで拡張するが、KISTとST-GBRRTは異なるヒューリスティックガイダンスを持つキノダイナミック対応ツリーを維持している。
動的環境におけるこれらの新しいプランナの確率論的完全性保証を解析する。
最後に,DynoFluxBenchを用いてST-Db-RRT,ST-GBRRT,KISTを評価し,ST-Db-RRTが最大32倍高速となることを示す。
ビデオとさらなる分析はhttps://dynofluxbench.github.io/dynofluxbench/で見ることができる。
関連論文リスト
- Dynamic-Robust Photometric-Semantic Reconstruction for Open-Vocabulary 3D Scene Understanding [63.599342750566485]
SPARは、潜在空間アグリゲーションの前に過渡的ダイナミックノイズを明示的に分離する新しい意味幾何学的エンコーディングアーキテクチャである。
エンド・ツー・エンドのアプローチは例外的な新規なビュー合成品質を実現し、PSNRは22.15dB、23.33dBでそれぞれ3と4の入力ビューしか与えられなかった。
論文 参考訳（メタデータ） (2026-08-29T09:58:24Z) - BOWConnect: Parallel Bayesian Optimization over Windows with Learned Local Cost Maps for Sample-Efficient Kinodynamic Motion Planning [1.4499463058550681]
本稿では,並列キノダイナミックモーションプランナであるBOWConnectについて述べる。
これは、高次元状態空間におけるサンプル非効率性、信頼できないサンプリング、狭い空間における性能の3つの基本的な制限に対処する。
学習ベースの探索フレームワークとしてBOWを統合しており、各作業者はローカルマップと制約を学び、動的に実現可能で衝突のないコントロールへと導くことができる。
論文 参考訳（メタデータ） (2026-06-25T17:11:33Z) - Dynamic TMoE: A Drift-Aware Dynamic Mixture of Experts Framework for Non-Stationary Time Series Forecasting [39.362777320328256]
学習段階における時間的連続性とアーキテクチャの進化を統一するフレームワークであるDynamic TMoEを提案する。
9つのベンチマークの実験では、最先端のパフォーマンスを示し、MSEを10.4%、MAEを7.8%削減した。
論文 参考訳（メタデータ） (2026-05-20T03:45:22Z) - 3D Gaussian Splatting for Efficient Retrospective Dynamic Scene Novel View Synthesis with a Standardized Benchmark [7.553191991392496]
ダイナミックシーンの振り返り新しいビュー合成(NVS)はスポーツなどの応用に不可欠である。
本稿では,スポーツに典型的な同期型マルチビュー(MV)設定において,各時間ステップの動的シーンが幾何的に制約されていることを論じる。
同期MV設定下において、3DGS を用いて効率的な振り返り動的シーン NVS を実現することができることを示す。
論文 参考訳（メタデータ） (2026-05-12T17:33:14Z) - Optimal Kinodynamic Motion Planning Through Anytime Bidirectional Heuristic Search with Tight Termination Condition [2.005183503104021]
Bidirectional Tight Informed Trees (BTIT*) は最適なキノダイナミックサンプリングに基づく運動計画アルゴリズムである。
BTIT*は、任意の双方向検索(Bi-HS)を統合し、Emphmeet-in-the-middle特性(MMP)と最適性(MM-Optimity)を保証する。
論文 参考訳（メタデータ） (2026-04-13T15:03:00Z) - EntroPE: Entropy-Guided Dynamic Patch Encoder for Time Series Forecasting [50.794700596484894]
IntroPE(Entropy-Guided Dynamic Patch)は,条件付きエントロピーによる遷移点を動的に検出する新しい時間情報フレームワークである。
これは、パッチの計算上の利点を維持しながら、時間構造を保存する。
長期予測ベンチマークによる実験では、EntroPEは精度と効率の両方を改善している。
論文 参考訳（メタデータ） (2025-09-30T12:09:56Z) - UP-SLAM: Adaptively Structured Gaussian SLAM with Uncertainty Prediction in Dynamic Environments [1.4117999181375773]
UP-SLAMは動的環境のためのリアルタイムRGB-D SLAMシステムである。
並列化フレームワークを通じて追跡とマッピングを分離する。
実験により、ローカライズ精度とレンダリング品質の両方において最先端の手法より優れていることが示唆された。
論文 参考訳（メタデータ） (2025-05-28T13:23:16Z) - 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) - DeSiRe-GS: 4D Street Gaussians for Static-Dynamic Decomposition and Surface Reconstruction for Urban Driving Scenes [71.61083731844282]
本稿では,自己教師型ガウススプラッティング表現であるDeSiRe-GSについて述べる。
複雑な駆動シナリオにおいて、効率的な静的・動的分解と高忠実な表面再構成を可能にする。
論文 参考訳（メタデータ） (2024-11-18T05:49:16Z) - Periodic Vibration Gaussian: Dynamic Urban Scene Reconstruction and Real-time Rendering [49.36767999382054]
周期振動ガウスモデル(PVG)を提案する。
PVGは、当初静的シーン表現のために設計された効率的な3Dガウススプラッティング技術に基づいている。
PVGは、最良の代替品よりも900倍の速度でレンダリングできる。
論文 参考訳（メタデータ） (2023-11-30T13:53:50Z) - STVGFormer: Spatio-Temporal Video Grounding with Static-Dynamic
Cross-Modal Understanding [68.96574451918458]
静的分岐と動的分岐を用いて視覚言語依存をモデル化するSTVGというフレームワークを提案する。
静的分岐と動的分岐は、クロスモーダルトランスとして設計されている。
提案手法は39.6%のvIoUを達成し,HC-STVGの第1位を獲得した。
論文 参考訳（メタデータ） (2022-07-06T15:48:58Z)
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。