論文の概要: H-SPAR: Hydrodynamic-aware Simulation for Particle Transport and Autonomous Robots

• arxiv url: http://arxiv.org/abs/2610.01985v1
• Date: Thu, 01 Oct 2026 16:26:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:24.281126
• Title: H-SPAR: Hydrodynamic-aware Simulation for Particle Transport and Autonomous Robots
• Title（参考訳）: H-SPAR:粒子輸送と自律ロボットのための流体力学的認識シミュレーション
• Abstract要約: 既存の海洋ロボットシミュレータは、個別にフロー、自律性、およびサンプリングターゲットをモデル化する。 H-SPARは空間的および時間的に変化する速度場、ラグランジュ粒子輸送、確率的サンプリングを統合する。 経路計画実験により、既存の計画立案者SVF-RRT*は、計画レベルで従来のRRT*よりも69.4%低いアップストリームコストを達成することが示された。
• 参考スコア（独自算出の注目度）: 1.6058099298620423
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Environmental robotic sampling requires considering the dual influence of water currents on robotic motion and particle transport. Existing marine robotics simulators generally model flow, autonomy, and sampling targets separately, limiting joint evaluation of mission cost and sampling performance. H-SPAR integrates spatially and temporally varying velocity fields, Lagrangian particle transport, probabilistic sampling, and ROS 2/Gazebo-based uncrewed surface vehicle (USV) autonomy. In this work, shared precomputed flow fields drive particle advection and current-induced forces during closed-loop vehicle execution. Path-planning experiments show that the existing current-aware planner SVF-RRT* achieves 69.4% lower upstream cost than conventional RRT* at the planning level, but this reduction falls to 41.7% during execution under time-varying currents, reflecting temporal flow variation, vehicle motion constraints, and path deviation omitted during planning. Coverage experiments show that sweep orientation changes the particle-sampling rate by up to 22.2% under the complete H-SPAR configuration. These findings highlight the importance of evaluating planning, vehicle execution, particle transport, and sampling together under consistent hydrodynamic conditions. The project webpage is available at https://sites.google.com/view/h-spar, and the open-source code is available on GitHub at https://github.com/naviiidz/h-spar-sim.
• Abstract（参考訳）: 環境ロボットサンプリングは、水流がロボットの動きと粒子輸送に与える影響を考慮する必要がある。 既存の海洋ロボットシミュレータは、一般に、ミッションコストの共同評価とサンプリング性能を制限し、フロー、自律性、サンプリングターゲットを個別にモデル化する。 H-SPARは空間的および時間的に変化する速度場、ラグランジアン粒子輸送、確率的サンプリング、およびROS 2/Gazeboベースの無人表面車両(USV)を統合している。 本研究は, クローズドループ車両走行時の粒子対流と電流誘起力の共用前処理流れ場を駆動するものである。 経路計画実験により、現行のSVF-RRT*は従来のRRT*よりも69.4%低いアップストリームコストを計画レベルで達成しているが、この削減は時流の変動、車両運動の制約、計画中に省略された経路偏差を反映して、時間変化による実行中に41.7%に低下した。 被覆実験により、全H-SPAR構成下において、スイープ配向は粒子サンプリング率を最大22.2%変化させることが示されている。 これらの知見は, 一貫した流体力学条件下での計画, 車両実行, 粒子輸送, サンプリングの重要性を浮き彫りにした。 プロジェクトのWebページはhttps://sites.google.com/view/h-sparで、オープンソースコードはGitHubでhttps://github.com/naviiidz/h-spar-simで入手できる。

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)
• Reinforcement Learning for Delivery Drone-Based Participatory Sensing in Dynamic Environments [31.33963902763075]
  問題をSensUAVとして形式化し、TSRL(Two TimeScale Reinforcement Learning framework)を提案する。 マクロレベルでは、タスク・エム・センシング・ディスペンサが異なるタスク機能を個別にエンコードすることでスケーラビリティを処理します。 マイクロレベルでは、風向速度制御器が微粒な速度スケジューリングを学習し、動的環境変動に適応する。
  論文  参考訳（メタデータ） (2026-07-21T09:06:23Z)
• 3D Underwater Path Planning via Generative Flow Field Surrogates [0.7466390172678969]
  三次元プロペラウェイク問題を解くために、2つの条件付き生成逆ネットワーク(cGAN)アーキテクチャを用いる。 フルCFDウェイク知識はエネルギー支出を5.7-12.5%削減し、高速ウェイクコアの遭遇を77.8%削減する。 これらの結果から,3次元海洋観測におけるCGAN予測流体場の下流経路計画値の体系的計算が可能となった。
  論文  参考訳（メタデータ） (2026-06-04T12:14:59Z)
• Geometry-Aware Surrogate for Real-Time Hydrodynamics Estimation of Autonomous Ground Vehicles in Amphibious Environments [0.0]
  この研究は、幾何学的-流体力学的力をリアルタイムで予測することでギャップを埋める、地下ニューラルネットワークサロゲートを提示する。 車両固有距離場 (SDF) は, 車両形状, 深度, 流れ方向によってどのように荷重が変化するかをモデルが決定できるように, 地下沈下入力を提供する。 実環境下でのモデル評価には,水深の異なるフルスケール車両の水圧試験を用いる。
  論文  参考訳（メタデータ） (2026-05-18T15:24:23Z)
• RAD-2: Scaling Reinforcement Learning in a Generator-Discriminator Framework [49.531001563853984]
  RAD-2はクローズドループ計画のための統一されたジェネレータ・ディスクリミネーターフレームワークである。 様々な軌道候補を生成する一方、RL最適化判別器は、これらの候補を長期的な運転品質に応じて再現する。 強い拡散ベースのプランナーに比べて衝突速度を56%削減する。
  論文  参考訳（メタデータ） (2026-04-16T17:59:44Z)
• A Unified Experimental Architecture for Informative Path Planning: from Simulation to Deployment with GuadalPlanner [69.43049144653882]
  本稿では,車種別制御から高レベルの意思決定を分離する統一アーキテクチャを提案する。 提案アーキテクチャは、計画、センシング、車両実行の標準化されたインターフェースを定義するGuaralPlannerを通じて実現されている。
  論文  参考訳（メタデータ） (2026-02-11T10:02:31Z)
• High-Resolution Water Sampling via a Solar-Powered Autonomous Surface Vehicle [0.0]
  この研究は、新しい注射器ベースのサンプリングアーキテクチャを備えた、太陽エネルギーで完全に自律的なUSVを提示する。 車両には、GPS-RTKナビゲーション、LiDAR、立体視障害物検出、Nav2ベースのミッションプランニング、長距離のLoRa監視を備えたROS 2自律スタックが組み込まれている。 アチョカラ・ラグーン(ラ・パス、ボリビア)のフィールド試験では、87%のウェイポイント精度、安定した自律航法、正確な物理化学的測定が示された。
  論文  参考訳（メタデータ） (2025-12-10T16:12:59Z)
• Planar Velocity Estimation for Fast-Moving Mobile Robots Using Event-Based Optical Flow [1.4447019135112429]
  本稿では,車輪と表面のトラクションの仮定から分離した速度推定手法を提案する。 提案手法は1:10スケールの自律レースプラットフォーム上でのフィールド実験により評価される。
  論文  参考訳（メタデータ） (2025-05-16T11:00:33Z)
• FlowTS: Time Series Generation via Rectified Flow [67.41208519939626]
  FlowTSは、確率空間における直線輸送を伴う整流フローを利用するODEベースのモデルである。 非条件設定では、FlowTSは最先端のパフォーマンスを達成し、コンテキストFIDスコアはStockとETThデータセットで0.019と0.011である。 条件設定では、太陽予測において優れた性能を達成している。
  論文  参考訳（メタデータ） (2024-11-12T03:03:23Z)
• Efficient Real-time Smoke Filtration with 3D LiDAR for Search and Rescue with Autonomous Heterogeneous Robotic Systems [56.838297900091426]
  スモークとダストは、搭載された知覚システムに依存するため、あらゆる移動ロボットプラットフォームの性能に影響を与える。 本稿では,重みと空間情報に基づく新しいモジュラー計算フィルタを提案する。
  論文  参考訳（メタデータ） (2023-08-14T16:48:57Z)

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。