論文の概要: HOPHY: A Hierarchical Hypergraph Representation for Off-Road Path and Mission Planning
- arxiv url: http://arxiv.org/abs/2609.20694v1
- Date: Thu, 17 Sep 2026 16:59:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-20 08:55:54.39152
- Title: HOPHY: A Hierarchical Hypergraph Representation for Off-Road Path and Mission Planning
- Title（参考訳）: HOPHY:オフロードパスとミッションプランニングのための階層的ハイパーグラフ表現
- Abstract要約: HOPHYは、地図スケールの地形を意味領域に整理する再利用可能な階層的な地形表現である。
100%の計画的な成功を達成し、約0.01%の中央値のコスト逸脱を達成している。
- 参考スコア（独自算出の注目度）: 11.206062408395807
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Mission-level autonomy for disaster response, search and rescue, and tactical UGV operations requires repeated path and mission planning as terrain conditions, agent types, and objectives change. Pixel-grid search is costly for repeated kilometer-scale queries, while semantic abstractions must maintain valid costs and connectivity as conditions change. We present HOPHY (Hierarchical Off-Road Planning using Hypergraphs), a reusable hierarchical terrain representation that organizes map-scale terrain into geometrically connected semantic regions (GSNodes), connectivity-preserving critical regions (Coarse Regions), and typed hyperedges for terrain, agent, and weather context. Hyperedge intersections select affected regions and incident edges for state updates without rebuilding the hierarchy. Across real off-road maps spanning kilometer-scale areas, HOPHY achieves 100% planning success and less than 0.01% median cost deviation from the oracle (pixel A*), with substantially lower query and replanning latency than the evaluated pixel and abstraction baselines. Applied to a multi-robot task-allocation (MRTA) problem, these gains reduce total computation by 79x over pixel A* and 7.2x over the fastest abstraction baseline, with mission makespan comparable to pixel A*. Finally, we demonstrate HOPHY on a physical Clearpath Jackal that successfully executes a 1.5-km, eight-task mission across mixed-surface outdoor terrain and a blockage-triggered replanned route.
- Abstract（参考訳）: 災害対応、捜索救助、戦術的UGV作戦のためのミッションレベルの自律性は、地形条件、エージェントタイプ、目的が変化するにつれて、繰り返し経路とミッション計画を必要とする。
ピクセルグリッド検索は数キロスケールのクエリを繰り返すのに費用がかかるが、セマンティックな抽象化は条件が変わるにつれて有効コストと接続性を維持する必要がある。
HOPHY(Hierarchical Off-Road Planning using Hypergraphs)は、地図スケールの地形を幾何学的に連結された意味領域(GSNodes)、接続保存クリティカル領域(Coarse Regions)、地形、エージェント、気象コンテキストのタイプ付きハイパーエッジに整理した再利用可能な階層的な地形表現である。
ハイパーエッジの交差点は、階層を再構築することなく、影響のあるリージョンとインシデントエッジを選択します。
キロスケールの領域にまたがる実際のオフロードマップでは、HOPHYは100%の計画成功を達成し、オラクル(ピクセルA*)から0.01%の中央値のコスト逸脱を実現している。
マルチロボットタスクアロケーション (MRTA) 問題に適用すると、この手法により、ピクセルA*と7.2倍の合計計算を、最も高速な抽象化ベースラインで79倍に削減できる。
最後に、HOPHYを物理的にClearpath Jackal上で実演し、混在した屋外地形を横断する1.5kmの8タスクのミッションと、分岐トリガーで計画された経路をうまく実行した。
関連論文リスト
- Meridian: Metric-Semantic Primitive Matching for Cross-View Geo-Localization Beyond Urban Environments [47.53030013880309]
ロボット自動化の成功には、リピータビリティ、タスク計画、目標仕様、安全な操作をサポートするために、正確なグローバルローカライゼーションが必要である。
本稿では,空中画像と地上ロボットRGB-Dカメラデータにまたがって,ハイレベルなメトリック・セマンティックプリミティブをマッチングする方法であるメリディアンを提案する。
我々のアルゴリズムは、自律運転データセット、公園とキャンパスのエリア、荒野キャンプなど、幅広い環境にまたがる地上ロボットをローカライズできることを実証する。
論文 参考訳（メタデータ） (2026-06-04T15:52:40Z) - RoadGIE: Towards A Global-Scale Aerial Benchmark for Generalizable Interactive Road Extraction [54.19939140744149]
RoadGIEはリモートセンシングにおける道路抽出のための新しい対話的パラダイムを確立する。
WorldRoadSeg-360Kは、これまでで最大かつ最も多様な道路区分データセットである。
RoadGIEは、セグメント化精度とトポロジ的整合性の両方において最先端の性能を達成する。
論文 参考訳（メタデータ） (2026-05-26T11:20:27Z) - OptiMVMap: Offline Vectorized Map Construction via Optimal Multi-vehicle Perspectives [111.69010751405368]
オフラインベクトル化マップは、高精度の自動運転およびマッピングサービスの重要な基盤となっている。
既存のアプローチは、基本的に視点の不十分さに苦しむ1つのエゴ車軌道に大きく依存している。
本稿では,これらの課題に体系的に対処するために,多車種対応マップを選択型ヒューズ問題として再構成するOptiMVMapを提案する。
論文 参考訳（メタデータ） (2026-04-18T20:23:27Z) - CLEAR: A Semantic-Geometric Terrain Abstraction for Large-Scale Unstructured Environments [11.194775463742046]
非構造環境における長い水平航法は、意味的構造と幾何学的構造を保ちながら、数十 km$2$にスケールする地形の抽象化を要求する。
CLEARは6.7%のコストオーバーヘッドしか持たない生のグリッドよりも最大10倍高速な計画を実現している。
これらの結果は,災害対応,防衛,惑星探査などのアプリケーションにおける長距離航法のためのCLEARのスケーラビリティと有用性を強調している。
論文 参考訳（メタデータ） (2026-01-19T19:56:06Z) - Unified Linear Parametric Map Modeling and Perception-aware Trajectory Planning for Mobile Robotics [1.7495208770207367]
本稿では,高次元空間にデータをマッピングする軽量な線形パラメトリックマップを提案する。
UAVでは,Euclidean Signed Distance Field (ESDF) マップを用いた。
UGVでは、モデルは地形を特徴づけ、クローズドフォーム勾配を提供し、オンラインプランニングによって大きな穴を回避できる。
論文 参考訳（メタデータ） (2025-07-12T16:39:19Z) - GoRela: Go Relative for Viewpoint-Invariant Motion Forecasting [121.42898228997538]
精度や一般化を犠牲にすることなく、全てのエージェントとマップに対して効率的な共有符号化を提案する。
不均一空間グラフにおけるエージェントとマップ要素間の幾何学的関係を表現するために、ペアワイズ相対的な位置符号化を利用する。
我々のデコーダは視点非依存であり、レーングラフ上でエージェント目標を予測し、多様かつコンテキスト対応のマルチモーダル予測を可能にする。
論文 参考訳（メタデータ） (2022-11-04T16:10:50Z) - Adaptive Path Planning for UAVs for Multi-Resolution Semantic
Segmentation [28.104584236205405]
重要な課題は、大規模な環境で取得したデータの価値を最大化するミッションを計画することである。
これは例えば、農地のモニタリングに関係している。
本稿では,UAV経路に適応して高精細なセマンティックセマンティックセマンティクスを得るオンライン計画アルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-03-03T11:03:28Z) - SPIN Road Mapper: Extracting Roads from Aerial Images via Spatial and
Interaction Space Graph Reasoning for Autonomous Driving [64.10636296274168]
道路抽出は、自律航法システムを構築するための重要なステップである。
この問題に対して単に畳み込みニューラルネットワーク(ConvNets)を使用することは、画像内の道路セグメント間の遠い依存関係をキャプチャする非効率であるため、効果がない。
本研究では,ConvNetに接続した時,特徴写像から投影された空間空間および相互作用空間上に構築されたグラフの推論を行う空間空間グラフ推論(SPIN)モジュールを提案する。
論文 参考訳（メタデータ） (2021-09-16T03:52:17Z) - Adaptive Path Planning for UAV-based Multi-Resolution Semantic
Segmentation [26.729010176211016]
本稿では,UAV経路に適応して高精細なセマンティックセマンティックセマンティクスを得るオンライン計画アルゴリズムを提案する。
私たちのアプローチの重要な特徴は、ディープラーニングベースのアーキテクチャのための新しい精度モデルです。
実地フィールドデータを用いた精密農業における作物・雑草分断の適用性について,本研究のアプローチを評価した。
論文 参考訳（メタデータ） (2021-08-04T07:30:04Z) - DAGMapper: Learning to Map by Discovering Lane Topology [84.12949740822117]
我々は、分岐とマージによるトポロジー変化を含む多くのレーンを持つ複雑な高速道路のレーン境界を描くことに集中する。
グラフのノードがレーン境界の局所領域の幾何学的および位相的特性を符号化する有向非巡回グラフィカルモデル(DAG)における推論として問題を定式化する。
2つの異なる州における2つの幹線道路における我々のアプローチの有効性を示し、高い精度とリコールと89%の正しいトポロジーを示す。
論文 参考訳（メタデータ） (2020-12-22T21:58:57Z)
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。