論文の概要: Stochastic Neural Signed Swept Volume for Real-time Chance-Constrained Trajectory Optimization

• arxiv url: http://arxiv.org/abs/2609.21211v1
• Date: Fri, 18 Sep 2026 01:51:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:16.821711
• Title: Stochastic Neural Signed Swept Volume for Real-time Chance-Constrained Trajectory Optimization
• Title（参考訳）: 時間制約軌道最適化のための確率的ニューラルサイン付きスプープボリューム
• Abstract要約: 衝突のない運動計画には、知覚された環境からの信頼性のある衝突モデルと連続軌道に沿った状態の検証が必要である。 これを実現するために、ほとんどのプランナーは、環境の1つの決定化されたモデルに対する連続的な軌道に沿った離散状態の衝突をチェックする。 データ駆動型アプローチは、急激なボリュームを学習することができるが、これらのニューラルモデルは近似誤差の影響を受けやすい。
• 参考スコア（独自算出の注目度）: 2.456103753351803
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Collision-free motion planning requires reliable collision models from sensed environments and validation of states along a continuous trajectory. To make this tractable, most planners check for collision at discrete states along continuous trajectories against a single determinized model of the environment, introducing a trade-off between safety and computational efficiency. While continuous collision checking approaches that approximate the swept volume of the robot exist, they are computationally expensive or overly conservative. Data-driven approaches can learn the swept volume; however, these neural models are susceptible to approximation errors and are therefore often limited to serving as coarse filters for downstream collision checkers. In this work, we propose to learn a signed distance function of the swept volume as a probabilistic field, enabling quantification of epistemic uncertainty, incorporation of perception noise, and eventual integration into a chance-constrained trajectory optimization framework. We demonstrate our approach on challenging high-dimensional manipulation problems with significant sensor noise, both in simulation and on real hardware.
• Abstract（参考訳）: 衝突のない運動計画には、知覚された環境からの信頼性のある衝突モデルと連続軌道に沿った状態の検証が必要である。 これを実現するため、ほとんどのプランナーは環境の単一決定モデルに対する連続的な軌道に沿った離散状態の衝突を確認し、安全性と計算効率のトレードオフを導入する。 ロボットの最小体積を近似する連続衝突チェックアプローチは存在するが、計算コストは高く、あるいは過度に保守的である。 しかし、これらのニューラルネットワークは近似誤差の影響を受けやすいため、ダウンストリーム衝突チェッカーの粗いフィルタとして機能することが多い。 本研究では,不確実性の定量化,知覚ノイズの取り込み,そして機会制約付き軌道最適化フレームワークへの最終的な統合を実現するため,スワップ体積の符号付き距離関数を確率場として学習することを提案する。 我々は,シミュレーションと実ハードウェアの両方において,重要なセンサノイズを伴う高次元操作問題に対するアプローチを実証する。

関連論文リスト

• Model-Based Diffusion Optimal Control for Multi-Robot Motion Planning [5.5818653283217055]
  連続環境におけるマルチロボット運動計画は、関節軌道空間の成長と動的実現性やハードセーフティ制約の実施の難しさにより困難である。 近年の研究では,実験データからスコア関数を学習した拡散モデルを用いて,軌道後部からの軌道計画を確率的推論として再検討している。 モデルベース拡散最適制御(MDOC)は,データに頼らずに動的に実現可能な軌道を効率的に生成するモデルベース拡散プランナである。
  論文  参考訳（メタデータ） (2026-07-14T06:54:03Z)
• Provably Safe Motion Planning Under Unknown Disturbances [14.551794453957404]
  本稿では,未知分布のランダムな乱れに影響を受けるロボットシステムのサンプリングに基づく動作計画アルゴリズムを提案する。 安全要件は、チャンス制約として定式化される。 ケーススタディでは,厳密な安全基準下での散在した環境における有効計画が,最先端の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2026-05-26T07:02:27Z)
• Warm-Starting Collision-Free Model Predictive Control With Object-Centric Diffusion [38.363402738466334]
  拡散型ウォームスタート条件と潜時オブジェクト中心のシーン表現を組み合わせることで、厳密な時間制限下での信頼性と効率的な動き生成が得られることを示す。 提案手法では,オブジェクト中心のスロットアテンション機構を用いて,システム状態,タスク,周囲に拡散トランスフォーマを設定できる。 サンプル軌道は、剛体力学と符号-距離衝突制約を強制する最適制御問題によって洗練される。
  論文  参考訳（メタデータ） (2026-01-06T10:02:54Z)
• 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)
• Safe and Efficient Path Planning under Uncertainty via Deep Collision Probability Fields [21.741354016294476]
  衝突確率の推定は、経路計画中の安全を確保するために重要である。 Deep Collision Probability Fieldsは、任意のオブジェクトの衝突確率を計算するニューラルネットワークベースのアプローチである。 本手法は, 学習段階のサンプリングにより, 衝突確率の計算集約的な推定を導出する。
  論文  参考訳（メタデータ） (2024-09-06T14:28:41Z)
• Layout Sequence Prediction From Noisy Mobile Modality [53.49649231056857]
  軌道予測は、自律運転やロボット工学などの応用における歩行者運動を理解する上で重要な役割を担っている。 現在の軌道予測モデルは、視覚的モダリティからの長い、完全な、正確に観察されたシーケンスに依存する。 本稿では,物体の障害物や視界外を,完全に視認できる軌跡を持つものと同等に扱う新しいアプローチであるLTrajDiffを提案する。
  論文  参考訳（メタデータ） (2023-10-09T20:32:49Z)
• Robust Control for Dynamical Systems With Non-Gaussian Noise via Formal Abstractions [59.605246463200736]
  雑音分布の明示的な表現に依存しない新しい制御器合成法を提案する。 まず、連続制御系を有限状態モデルに抽象化し、離散状態間の確率的遷移によってノイズを捕捉する。 我々は最先端の検証技術を用いてマルコフ決定プロセスの間隔を保証し、これらの保証が元の制御システムに受け継がれるコントローラを演算する。
  論文  参考訳（メタデータ） (2023-01-04T10:40:30Z)
• Trajectory Forecasting from Detection with Uncertainty-Aware Motion Encoding [121.66374635092097]
  物体検出と追跡から得られる軌道は、必然的にうるさい。 本稿では, 明示的に形成された軌道に依存することなく, 直接検出結果に基づく軌道予測器を提案する。
  論文  参考訳（メタデータ） (2022-02-03T09:09:56Z)
• Congestion-aware Multi-agent Trajectory Prediction for Collision Avoidance [110.63037190641414]
  渋滞パターンを明示的に学習し、新しい「センス--学習--Reason--予測」フレームワークを考案する。 学習段階を2段階に分解することで、「学生」は「教師」から文脈的手がかりを学習し、衝突のない軌跡を生成する。 実験では,提案モデルが合成データセットにおいて衝突のない軌道予測を生成できることを実証する。
  論文  参考訳（メタデータ） (2021-03-26T02:42:33Z)
• Robust Reinforcement Learning with Wasserstein Constraint [49.86490922809473]
  最適なロバストなポリシーの存在を示し、摂動に対する感度分析を行い、新しいロバストな学習アルゴリズムを設計する。 提案アルゴリズムの有効性はCart-Pole環境で検証する。
  論文  参考訳（メタデータ） (2020-06-01T13:48:59Z)

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。