論文の概要: Learning-Accelerated Narrow-Phase Collision Detection via Check Ordering for Sampling-Based Motion Planning

• arxiv url: http://arxiv.org/abs/2609.30599v1
• Date: Thu, 24 Sep 2026 22:28:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.151973
• Title: Learning-Accelerated Narrow-Phase Collision Detection via Check Ordering for Sampling-Based Motion Planning
• Title（参考訳）: サンプリング型動作計画のためのチェックオーダによる学習高速化狭相衝突検出
• Abstract要約: 狭い位相におけるチェック順序を最適化し,位相に基づく衝突検出を高速化する学習ベース手法を提案する。 本手法は, 位相ベース衝突検出を効果的に高速化し, サンプリングベース動作計画の効率と成功率を向上させる。
• 参考スコア（独自算出の注目度）: 9.173967160807392
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Collision detection is critical for ensuring the safety of planned paths. However, it imposes a non-negligible computational burden on motion planners, motivating extensive studies on collision-detection acceleration. In commonly used phase-based collision-detection methods, the broad phase employs hierarchical structures to rapidly discard object pairs that are clearly collision-free, while the subsequent narrow phase performs detailed collision checks on the remaining object pairs whose collision status cannot be determined by the broad phase. Although these methods effectively reduce the number of detailed checks through broad-phase pruning, the narrow phase is usually executed in the default order returned by the broad phase, with little explicit optimization of the check order. This leaves room for further acceleration, especially in cluttered environments where many object pairs may remain after the broad phase and the narrow phase can account for a significant portion of the total detection time. In this work, we propose a learning-based method to accelerate phase-based collision detection by optimizing the check order in the narrow phase. We first formulate the expected time cost of the narrow phase and derive an optimal check-ordering criterion that minimizes this expectation. Since the priors required by this criterion are difficult to obtain in advance, we design a hypernetwork-based model to predict collision probabilities, which are then used to approximate the optimal check order. The resulting order guides the execution of exact mesh checks in the narrow phase, thereby reducing detection time without replacing the underlying geometric collision checker. Simulation results show that our method effectively accelerates phase-based collision detection and improves the efficiency and success rate of sampling-based motion planning, especially in cluttered environments.
• Abstract（参考訳）: 衝突検出は計画された経路の安全性を確保するために重要である。 しかし、これは非無視的な計算負担を運動プランナーに課し、衝突検出加速に関する広範な研究を動機付けている。 一般に用いられる位相に基づく衝突検出法では、広帯域位相は、衝突のない物体対を高速に破棄するために階層構造を用いるが、その後の狭帯域位相は、衝突状態が広帯域位相で決定できない残りの物体対に対して詳細な衝突チェックを行う。 これらの手法は、広相プルーニングによる詳細なチェック数を効果的に削減するが、狭相は通常、広相で返されるデフォルト順で実行され、チェックオーダーの明示的な最適化はほとんどない。 これはさらに加速する余地を残し、特に多くの物体対が広い位相の後に留まり、狭い位相が全検出時間のかなりの部分を占めるような散在した環境においてである。 本研究では,狭い位相におけるチェック順序を最適化することにより,位相に基づく衝突検出を高速化する学習手法を提案する。 まず、狭い位相の予測時間コストを定式化し、この期待を最小化する最適チェックオーダー基準を導出する。 この基準で求められる先行条件を事前に把握することは困難であるため,衝突確率を予測するハイパーネットワークモデルの設計を行い,最適チェックオーダーを近似する。 得られた順序は、狭い位相における正確なメッシュチェックの実行をガイドし、基礎となる幾何学的衝突チェッカーを置き換えることなく検出時間を短縮する。 シミュレーションの結果,提案手法は,特に散在環境において,位相型衝突検出を効果的に高速化し,サンプリング型動作計画の効率と成功率を向上させることが示唆された。

関連論文リスト

• Stochastic Neural Signed Swept Volume for Real-time Chance-Constrained Trajectory Optimization [2.456103753351803]
  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。
  論文  参考訳（メタデータ） (2026-09-18T01:51:10Z)
• Effort-Based Criticality Metrics for Evaluating 3D Perception Errors in Autonomous Driving [14.590459688780205]
  時間対衝突のような臨界度は衝突の緊急度を定量化するが、知覚エラーの結果を説明できる。 本稿では,False Speed ReductionとMaximum Deceleration Rateの2つの新しい取り組みベースの指標を提案する。 3つの指標はいずれも、確立された時間ベース、減速ベース、あるいは正規化臨界対策に到達できない安全関連情報を捉えている。
  論文  参考訳（メタデータ） (2026-03-30T04:46:03Z)
• Collision-Free Velocity Scheduling for Multi-Agent Systems on Predefined Routes via Inexact-Projection ADMM [0.0]
  構造化マルチエージェントプロジェクトでは、エージェントは事前に定義されたルートをたどらなければならず、リルーチンや不可能となる。 本稿では,各エージェントの割り当てられた経路の順序と名前付き経路の割り当てを保ちながら,経路制約付きマルチエージェント協調に対処する。
  論文  参考訳（メタデータ） (2026-03-23T12:34:18Z)
• 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)
• Centaur: Robust End-to-End Autonomous Driving with Test-Time Training [84.78837437133234]
  我々は,手作業によるルールやコスト関数に頼ることなく,テストタイムトレーニングを通じてプランナーの行動を更新するCentaurを提案する。 本稿では,クラスタ・エントロピー(Cluster Entropy,クラスタ・エントロピー)と呼ばれる新しい不確実性尺度を開発した。
  論文  参考訳（メタデータ） (2025-03-14T17:59:41Z)
• Token-Level Adversarial Prompt Detection Based on Perplexity Measures and Contextual Information [67.78183175605761]
  大規模言語モデルは、敵の迅速な攻撃に影響を受けやすい。 この脆弱性は、LLMの堅牢性と信頼性に関する重要な懸念を浮き彫りにしている。 トークンレベルで敵のプロンプトを検出するための新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-11-20T03:17:21Z)
• Learning-Aided Warmstart of Model Predictive Control in Uncertain Fast-Changing Traffic [2.0965639599405366]
  我々は、ネットワークベースのマルチモーダル予測器を用いて、自律走行車軌道の提案を生成する。 このアプローチにより,複数の局所最小値の同定が可能となり,初期推定精度が向上する。 我々はモンテカルロシミュレーションによるアプローチを異なるシナリオで検証する。
  論文  参考訳（メタデータ） (2023-10-04T16:00:21Z)
• Small Object Detection via Coarse-to-fine Proposal Generation and Imitation Learning [52.06176253457522]
  本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。 CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
  論文  参考訳（メタデータ） (2023-08-18T13:13:09Z)
• Bandit Quickest Changepoint Detection [55.855465482260165]
  すべてのセンサの継続的な監視は、リソースの制約のためにコストがかかる可能性がある。 有限パラメータ化確率分布の一般クラスに対する検出遅延に基づく情報理論の下界を導出する。 本稿では,異なる検知オプションの探索と質問行動の活用をシームレスに両立させる,計算効率のよいオンラインセンシング手法を提案する。
  論文  参考訳（メタデータ） (2021-07-22T07:25:35Z)
• Optimal Sequential Detection of Signals with Unknown Appearance and Disappearance Points in Time [64.26593350748401]
  本論文は、変化の期間が有限で未知であると仮定して、逐次的な変化点検出問題に対処する。 我々は、所定の時間(または空間)ウィンドウにおける最小検出確率を最大化する信頼性の高い最大変更検出基準に焦点を当てる。 FMAアルゴリズムは、光学画像中の衛星のかすかなストリークを検出するために応用される。
  論文  参考訳（メタデータ） (2021-02-02T04:58:57Z)
• FMODetect: Robust Detection and Trajectory Estimation of Fast Moving Objects [110.29738581961955]
  高速移動物体の検出と軌道推定のための最初の学習ベースアプローチを提案する。 提案手法は, 高速移動物体を軌道への切り離された距離関数として検出する。 シャープな外観推定のために,エネルギー最小化に基づくデブロワーリングを提案する。
  論文  参考訳（メタデータ） (2020-12-15T11:05:34Z)

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。