論文の概要: Sparse Planner: A Hybrid Planner for Efficient Sampling via a Conditional Variational Autoencoder
- arxiv url: http://arxiv.org/abs/2609.39570v1
- Date: Wed, 30 Sep 2026 12:06:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-01 18:57:27.642257
- Title: Sparse Planner: A Hybrid Planner for Efficient Sampling via a Conditional Variational Autoencoder
- Title（参考訳）: スパースプランナー:条件付き変分オートエンコーダによる効率的なサンプリングのためのハイブリッドプランナー
- Abstract要約: 軌道計画は自律運転システムの中核的なコンポーネントであり、リアルタイムのパフォーマンスとソリューションの品質が安全性と信頼性に直接影響を及ぼす。
本研究では,シーンコンテキストと効果的な軌道パラメータの条件付き関係を学習し,サンプリング効率を向上させるスパースプランナーを提案する。
SPはサンプリング密度の8分の1しか使用せず、最先端のFISS+プランナーよりも低軌道コストを実現する。
- 参考スコア（独自算出の注目度）: 0.6599755599064447
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Trajectory planning is a core component of autonomous driving systems, where real-time performance and solution quality directly affect safety and reliability. Sample-Based Motion Planning (SBMP) is widely adopted for its ability to approximate near-optimal solutions through parameter space sampling. However, achieving high-quality trajectories typically requires dense sampling, leading to substantial computational overhead and significant runtime variability in complex traffic scenarios. To address this limitation, we propose a Sparse Planner (SP) that improves sampling efficiency by learning the conditional relationship between scene context and effective trajectory parameters using a Conditional Variational Autoencoder (CVAE). By modeling the structure of high-quality sampling distributions, SP directly generates cost-effective samples in the parameter space, significantly reducing the required sampling density while preserving solution quality. Experimental results show that SP achieves lower trajectory cost than the state-of-the-art FISS+ planner while using only one-eighth of the sampling density. In addition, SP demonstrates improved distance-keeping capability in obstacle-rich scenarios and maintains reduced and more stable runtime characteristics, indicating enhanced computational efficiency and predictable runtime behavior.
- Abstract（参考訳）: 軌道計画は自律運転システムの中核的なコンポーネントであり、リアルタイムのパフォーマンスとソリューションの品質が安全性と信頼性に直接影響を及ぼす。
サンプルベースモーションプランニング(SBMP)はパラメータ空間サンプリングによる近似解の近似に広く採用されている。
しかし、高品質なトラジェクトリを実現するには、通常、高密度なサンプリングが必要であり、複雑なトラフィックシナリオにおいて、計算オーバーヘッドと実行時の大きなばらつきをもたらす。
この制限に対処するために,条件付き変分オートエンコーダ(CVAE)を用いてシーンコンテキストと効果的な軌道パラメータの条件関係を学習し,サンプリング効率を向上させるスパースプランナー(SP)を提案する。
高品質なサンプリング分布の構造をモデル化することにより、SPはパラメータ空間におけるコスト効率の高いサンプルを直接生成し、溶液の品質を維持しながら必要なサンプリング密度を著しく低減する。
実験の結果,SPはサンプリング密度の8分の1しか使用せず,最先端のFISS+プランナーよりも低軌道コストを実現することがわかった。
さらにSPは、障害の多いシナリオにおける距離維持機能の改善を示し、より小さく安定した実行時特性を維持し、計算効率の向上と予測可能な実行時挙動を示す。
関連論文リスト
- Event-Based Motion Estimation via Oriented Distance Fields [55.23416502666468]
イベントベースの動き推定は、高時間分解能と高速動作に対する堅牢性を必要とするタスクの中心である。
本稿では,この最適化を,事前計算された事象距離ベクトルの場上の1つの平均ステップに置き換える,オブジェクト指向距離場運動推定(ODF Motion Estimation)を提案する。
公開および自己収集されたデータセットでは,ODFの動作推定は,比較手法の中で最低レイテンシでサブピクセル精度に達する。
論文 参考訳（メタデータ） (2026-08-25T08:27:42Z) - Precise: SDE-Consistent Stochastic Sampling for RL Post-Training of Flow-Matching Models [56.67321805551389]
Reinforcement Learning (RL) は, 拡散・流れマッチングジェネレータにおいて, 迅速なアライメントと知覚品質の向上に有効な方法となっている。
探索行動の制御と力学のデノベーションを行うサンプルは、この方針の一部である。
有効探査と安定性のバランスをとる新しいサンプリング器を提案する。
論文 参考訳（メタデータ） (2026-05-22T11:37:22Z) - Uncertainty Guided Exploratory Trajectory Optimization for Sampling-Based Model Predictive Control [18.70552952249317]
提案手法は, 構成空間のより優れたカバレッジを実現するために, 適切に分離されたサンプルを生成するトラジェクトリ最適化アルゴリズムである。
また,UGE-TOをサンプリングベースモデル予測制御手法に統合したUGE-MPCを提案する。
論文 参考訳（メタデータ） (2026-04-13T23:55:41Z) - Multi-Robot Trajectory Planning via Constrained Bayesian Optimization and Local Cost Map Learning with STL-Based Conflict Resolution [1.6243762297989983]
本稿では,信号時間論理(STL)仕様の下でのマルチロボット動作計画にキノダイナミック制約を適用した。
サンプルベースオンライン学習と正式なSTL推論を組み合わせた2段階のフレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-06T00:03:18Z) - Adaptive Linear Path Model-Based Diffusion [52.84663832658799]
リニアパスモデルベース拡散(LP-MBD)を導入し、分散保存スケジュールをフローマッチング線形確率パスに置き換える。
また,適応型LP-MBD(ALP-MBD)を提案し,タスクの複雑さや環境条件に応じて拡散ステップやノイズレベルを調整する。
論文 参考訳（メタデータ） (2026-02-02T21:33:03Z) - Low-Dimensional Adaptation of Rectified Flow: A New Perspective through the Lens of Diffusion and Stochastic Localization [59.04314685837778]
整流流(RF)は、その生成効率と最先端の性能からかなりの人気を得ている。
本稿では,RFがターゲット分布の支持の内在的低次元性に自動的に適応し,サンプリングを高速化する程度について検討する。
時間分割方式を慎重に設計し,十分な正確なドリフト推定を行うことで,RFサンプリング器はオーダーO(k/varepsilon)$の複雑さを享受できることを示す。
論文 参考訳（メタデータ） (2026-01-21T22:09:27Z) - Continual Adaptation: Environment-Conditional Parameter Generation for Object Detection in Dynamic Scenarios [54.58186816693791]
環境は時間と空間によって常に変化し、クローズドセットの仮定に基づいて訓練された物体検出器にとって重要な課題となる。
そこで本研究では,微調整過程をパラメータ生成に変換する機構を提案する。
特に,2経路LoRAベースのドメイン認識アダプタを最初に設計し,特徴をドメイン不変およびドメイン固有コンポーネントに分解する。
論文 参考訳（メタデータ） (2025-06-30T17:14:12Z) - Towards Robust Spacecraft Trajectory Optimization via Transformers [17.073280827888226]
我々は,非最適制御問題をリアルタイムに解くための自律生成モデルを開発した。
我々はARTの能力を拡張し、確率制約のある最適制御問題に対処する。
この作業は、宇宙船のような安全クリティカルな自律システムにAI駆動のソリューションを確実に展開するための最初のステップである。
論文 参考訳（メタデータ） (2024-10-08T00:58:42Z) - Dynamical Measure Transport and Neural PDE Solvers for Sampling [77.38204731939273]
本研究では, 対象物へのトラクタブル密度関数の移動として, 確率密度からサンプリングする作業に取り組む。
物理インフォームドニューラルネットワーク(PINN)を用いて各偏微分方程式(PDE)の解を近似する。
PINNはシミュレーションと離散化のない最適化を可能にし、非常に効率的に訓練することができる。
論文 参考訳（メタデータ） (2024-07-10T17:39:50Z) - Learning to Initialize Trajectory Optimization for Vision-Based Autonomous Flight in Unknown Environments [4.0543433786183485]
未知環境における自律飛行のためのニューラル・エンハンスト・トレイ・プランナー(NEO-Planner)を提案する。
NEO-Plannerは、生のセンサー観測から直接軌道の空間的および時間的パラメータを予測することを学ぶ。
最適化を20%削減し、純粋な最適化手法と比較して軌道時間も26%減少する。
論文 参考訳（メタデータ） (2023-09-19T15:07:26Z)
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。