論文の概要: UCON: Uncertainty-aware Navigation with Historical Re-association in Dynamic Environments

• arxiv url: http://arxiv.org/abs/2609.29419v1
• Date: Thu, 24 Sep 2026 11:41:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:09.89221
• Title: UCON: Uncertainty-aware Navigation with Historical Re-association in Dynamic Environments
• Title（参考訳）: UCON: 動的環境における歴史的再連想を伴う不確実性認識ナビゲーション
• Abstract要約: 動的環境における不確実性を考慮したナビゲーションアルゴリズムUCONを提案する。 認識不安定性には,ポイントレベルの歴史的再連想機構を提案する。 不確実性最適化ミスマッチでは、予測状態とその共分散を不確実性セクターに変換する。
• 参考スコア（独自算出の注目度）: 46.20384329029978
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autonomous navigation in dynamic environments is hindered by two fundamental challenges: perception instability and uncertainty-optimization mismatch. The former leads to identity switches and unreliable motion estimation, while the latter prevents principled incorporation of motion uncertainty into trajectory optimization. To address these challenges, we propose UCON, an uncertainty-aware navigation algorithm in dynamic environments. For perception instability, we present a point-level historical re-association mechanism that leverages historical point cloud fragments to recover lost targets while maintaining identity continuity. Subsequently, a Kalman filter is employed to provide anisotropic motion state estimation and covariance propagation. To resolve the uncertainty-optimization mismatch, we transform predicted states and their covariances into uncertainty sectors, which are embedded as differentiable cost terms within a trajectory optimization framework. This achieves consistent uncertainty-aware dynamic obstacle avoidance while maintaining smoothness and feasibility. Extensive simulations and real-world experiments demonstrate that, while maintaining high computational efficiency, UCON achieves superior perception stability and robust navigation performance in dynamic environments compared to state-of-the-art methods. The code will be open-sourced to facilitate further research.
• Abstract（参考訳）: 動的環境における自律的なナビゲーションは、認識不安定性と不確実性最適化ミスマッチの2つの根本的な課題によって妨げられている。 前者は同一性スイッチと信頼できない動き推定を導き、後者は軌道最適化に運動の不確実性の原則を組み込むのを防ぐ。 これらの課題に対処するため,動的環境における不確実性を考慮したナビゲーションアルゴリズムUCONを提案する。 認識不安定性には、過去の点雲の断片を利用して、個人性を維持しつつ、失われた目標を回復するポイントレベルの歴史的再連想機構を提案する。 その後、カルマンフィルタを用いて異方性運動状態推定と共分散伝搬を提供する。 不確実性最適化ミスマッチを解決するため、予測状態とその共分散を不確実性セクターに変換する。 これにより、スムーズさと実現可能性を維持しながら、一貫した不確実性を認識した動的障害物回避を実現する。 広汎なシミュレーションと実世界の実験により、高い計算効率を維持しながら、UCONは最先端の手法と比較して、動的環境における優れた認識安定性と堅牢なナビゲーション性能を達成することを示した。 このコードは、さらなる研究を促進するためにオープンソース化される予定だ。

関連論文リスト

• Continual Learning for Traversability Prediction with Uncertainty-Aware Adaptation [4.431224792587337]
  トラバーサビリティ予測は、非構造環境における自律ナビゲーションの重要な構成要素である。 近年の学習ベーストラバーサビリティ予測の進歩にもかかわらず、これらの手法は新しい地形に適応できないことが多い。 本稿では,新たな地形に漸進的に適応するトラバーサビリティ予測のための連続学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-09-15T13:07:14Z)
• U$^{2}$Flow: Uncertainty-Aware Unsupervised Optical Flow Estimation [18.3748504668909]
  教師なし光学流法は、信頼性の高い不確実性推定を欠き、その堅牢性と解釈可能性を制限する。 U$2$Flowは、光の流れと画素ごとの不確実性を共同で推定する最初の再帰的非教師付きフレームワークである。
  論文  参考訳（メタデータ） (2026-04-11T06:40:22Z)
• F2F-AP: Flow-to-Future Asynchronous Policy for Real-time Dynamic Manipulation [62.06267255986041]
  非同期推論はロボット操作における主要なパラダイムとして現れている。 本稿では,予測対象の流れを利用して将来の観測を合成する新しい枠組みを提案する。 本手法は複雑な動的操作タスクにおける応答性と成功率を大幅に向上させる。
  論文  参考訳（メタデータ） (2026-04-02T17:57:15Z)
• Environment-Aware Learning of Smooth GNSS Covariance Dynamics for Autonomous Racing [6.1051905803719295]
  我々は,測定共分散の時間的ダイナミクスを直接モデル化できる学習ベースのフレームワーク LACE を開発した。 AV-24自律レースカーに対する我々のアプローチを検証し、ローカライゼーション性能の向上とよりスムーズな共分散推定を実証した。
  論文  参考訳（メタデータ） (2026-02-24T20:59:09Z)
• Sycophancy Mitigation Through Reinforcement Learning with Uncertainty-Aware Adaptive Reasoning Trajectories [58.988535279557546]
  適応推論トラジェクトリを用いたtextbf sycophancy Mitigation を提案する。 SMARTは,分布外の入力に対して強い性能を維持しながら,サイコファンティクスの挙動を著しく低下させることを示した。
  論文  参考訳（メタデータ） (2025-09-20T17:09:14Z)
• Adaptive Dual Uncertainty Optimization: Boosting Monocular 3D Object Detection under Test-Time Shifts [80.32933059529135]
  TTA(Test-Time Adaptation)メソッドが出現し、推論中にターゲット分布に適応する。 我々は、堅牢なM3ODの両不確実性を共同で最小化するために設計された、最初のTTAフレームワークであるDual Uncertainity Optimization (DUO)を提案する。 並列に,明瞭な意味的手がかりを持つ領域における幾何学的コヒーレンスを保存する意味認識型正規場制約を設計する。
  論文  参考訳（メタデータ） (2025-08-28T07:09:21Z)
• Overcoming Non-stationary Dynamics with Evidential Proximal Policy Optimization [11.320660946946523]
  非定常環境の継続的な制御は、深層強化学習アルゴリズムの大きな課題である。 我々は、明白な批評家と政治上の強化学習を行うことが両立していることを示す。 我々は,政策評価と政策改善の段階において,明らかな不確実性定量化の不可欠な役割から,結果のアルゴリズムであるemphEvidential Proximal Policy Optimization (EPPO) を命名した。
  論文  参考訳（メタデータ） (2025-03-03T12:23:07Z)
• Uncertainty-boosted Robust Video Activity Anticipation [72.14155465769201]
  ビデオアクティビティの予測は、ロボットビジョンから自動運転まで幅広い応用可能性を受け入れることで、将来何が起こるかを予測することを目的としている。 近年の進展にもかかわらず、コンテンツ進化過程やイベントラベルの動的相関として反映されたデータ不確実性問題は、何らかの形で無視されている。 本研究では,予測結果の信頼性を示す不確実な値を生成する,不確実性を考慮した頑健なビデオアクティビティ予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-04-29T12:31:38Z)
• Dynamic Regret of Policy Optimization in Non-stationary Environments [120.01408308460095]
  我々は,POWERとPOWER++の2つのモデルフリーポリシー最適化アルゴリズムを提案し,その動的後悔の保証を確立する。 我々はPOWER++が動的後悔の第2の構成要素であるPOWERよりも優れており、予測によって非定常性に積極的に適応していることを示す。 我々の知識を最大限に活用するために、我々の研究は、非定常環境におけるモデルフリーなRLアルゴリズムの、最初の動的後悔分析である。
  論文  参考訳（メタデータ） (2020-06-30T23:34:37Z)

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。