Fugu-MT 論文翻訳(概要): Proactive Motion Planning for Human-Robot Cooperation

論文の概要: Proactive Motion Planning for Human-Robot Cooperation

arxiv url: http://arxiv.org/abs/2609.32354v1
Date: Sat, 26 Sep 2026 08:17:11 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-07 17:30:51.817486
Title: Proactive Motion Planning for Human-Robot Cooperation
Title（参考訳）: 人間とロボットの協調のための積極的運動計画
Abstract要約: この抽象概念は、人間の動き予測を、能動的かつダイナミックな人間の動き計画に組み入れることに対処する。深層学習のグラフベースのモデルは人間の動きを予測するために使われ、計画フレームワークに統合される。
参考スコア（独自算出の注目度）: 10.879149113760874
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This abstract addresses the incorporation of human motion prediction into proactive and dynamic human-aware motion planning, with the goal of enabling safe collaboration between humans and robots. A deep learning, graph-based model is used to forecast human motion and is integrated into a planning framework. This framework employs a static roadmap along with a time-variant A* algorithm to modify the trajectory of a UR5e manipulator. This method greatly improves human-robot interaction and enables proactive collision avoidance by combining precise motion forecasts with adaptive trajectory planning.
Abstract（参考訳）: この抽象概念は、人間とロボットの安全な協調を可能にすることを目的として、人間の動き予測を、能動的かつダイナミックな人間の動き計画に組み込むことに対処する。深層学習のグラフベースのモデルは人間の動きを予測するために使われ、計画フレームワークに統合される。このフレームワークは、UR5eマニピュレータの軌道を変更するために、時変A*アルゴリズムとともに静的なロードマップを使用する。この方法は、人間のロボットの相互作用を大幅に改善し、正確な動き予測と適応軌道計画を組み合わせることで、前向きな衝突回避を可能にする。

関連論文リスト

Simulation-Informed Diffusion for Decentralized Multi-robot Motion Planning [56.240199425429445]
マルチロボットモーションプランニングでは、各ロボットが局所的な観測から衝突のない軌道を生成する必要がある。既存のほとんどのプランナは、ローカル観測の静的スナップショットからトラジェクトリを生成する。本稿では,制約対応拡散モデルに基づく分散フレームワークであるSimulation-Informed Diffusion (SID)を紹介する。
論文参考訳（メタデータ） (2026-05-26T21:17:53Z)
Chatting about Conditional Trajectory Prediction [9.783060985404386]
条件付き軌道予測(CiT)のためのクロス時間領域意図対話法を提案する。提案したCitは、時間とともに行動意図を共同で分析し、異なる時間領域における情報補完と統合を実現する。さらに、CitTはロボットの動き計画と制御モジュールと密に統合し、任意の軌道予測結果を生成するように設計されている。
論文参考訳（メタデータ） (2026-04-20T11:44:16Z)
Joint Prediction of Human Motions and Actions in Human-Robot Collaboration [81.20389836121502]
我々は,人間の行動と行動の共役推定と予測のための階層的枠組みであるtextsfMA-HERPを紹介した。本研究では, 筋骨格シミュレーションを用いて, 騒音下での正確な動き予測と頑健な動作推定を示す予備的な実験評価を行った。
論文参考訳（メタデータ） (2026-04-03T14:40:07Z)
PPAD: Iterative Interactions of Prediction and Planning for End-to-end Autonomous Driving [57.89801036693292]
PPAD(Iterative Interaction of Prediction and Planning Autonomous Driving)は、予測と計画のより良い統合を目的とした、タイムステップワイドなインタラクションである。我々は,階層的動的キーオブジェクトに着目したego-to-agent,ego-to-map,ego-to-BEVインタラクション機構を設計し,インタラクションをモデル化する。
論文参考訳（メタデータ） (2023-11-14T11:53:24Z)
Active Uncertainty Learning for Human-Robot Interaction: An Implicit Dual Control Approach [5.05828899601167]
暗黙的な二重制御パラダイムに基づくループ内動作計画のための不確実性学習を実現するアルゴリズムを提案する。提案手法は,動的プログラミングモデル予測制御問題のサンプリングに基づく近似に依拠する。結果として得られたポリシーは、連続的およびカテゴリー的不確実性を持つ一般的な人間の予測モデルに対する二重制御効果を維持することが示されている。
論文参考訳（メタデータ） (2022-02-15T20:40:06Z)
SABER: Data-Driven Motion Planner for Autonomously Navigating Heterogeneous Robots [112.2491765424719]
我々は、データ駆動型アプローチを用いて、異種ロボットチームをグローバルな目標に向けてナビゲートする、エンドツーエンドのオンラインモーションプランニングフレームワークを提案する。モデル予測制御(SMPC)を用いて,ロボット力学を満たす制御入力を計算し,障害物回避時の不確実性を考慮した。リカレントニューラルネットワークは、SMPC有限時間地平線解における将来の状態の不確かさを素早く推定するために用いられる。ディープQ学習エージェントがハイレベルパスプランナーとして機能し、SMPCにロボットを望ましいグローバルな目標に向けて移動させる目標位置を提供する。
論文参考訳（メタデータ） (2021-08-03T02:56:21Z)
Learning Interaction-Aware Trajectory Predictions for Decentralized Multi-Robot Motion Planning in Dynamic Environments [10.345048137438623]
本稿では、リカレントニューラルネットワーク(RNN)に基づく新しい軌道予測モデルを提案する。次に,軌道予測モデルをマルチロボット衝突回避のための分散モデル予測制御(MPC)フレームワークに組み込む。
論文参考訳（メタデータ） (2021-02-10T11:11:08Z)
Leveraging Neural Network Gradients within Trajectory Optimization for Proactive Human-Robot Interactions [32.57882479132015]
本稿では, トラジェクトリ最適化(TO)の解釈可能性と柔軟性を, 最先端の人間のトラジェクトリ予測モデルの予測能力と融合する枠組みを提案する。我々は,最大10人の歩行者の群集を安全に効率的に移動させるロボットを必要とするマルチエージェントシナリオにおいて,我々のアプローチの有効性を実証する。
論文参考訳（メタデータ） (2020-12-02T08:43:36Z)
Perceive, Predict, and Plan: Safe Motion Planning Through Interpretable Semantic Representations [81.05412704590707]
本稿では,自動運転車の協調認識,予測,動作計画を行うエンド・ツー・エンドの学習可能なネットワークを提案する。私たちのネットワークは、人間のデモからエンドツーエンドに学習されます。
論文参考訳（メタデータ） (2020-08-13T14:40:46Z)
Path Planning in Dynamic Environments using Generative RNNs and Monte Carlo Tree Search [11.412720572948086]
群衆や交通などの動的環境におけるロボット経路計画のための最先端の手法は、エージェントのための手作りのモーションモデルに依存している。本稿では,モンテカルロ木探索(MCTS)における生成的リカレントニューラルネットワークを用いた統合経路計画フレームワークを提案する。提案手法は,対話時の動作予測精度を大幅に向上させることができることを示す。
論文参考訳（メタデータ） (2020-01-30T22:46:37Z)

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。