論文の概要: RiskFly: Frustum-Aligned Spatio-Temporal Risk Fields for One-Stage Agile Flight in Dynamic Clutter
- arxiv url: http://arxiv.org/abs/2610.04566v1
- Date: Sat, 03 Oct 2026 15:00:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-11 18:43:09.077727
- Title: RiskFly: Frustum-Aligned Spatio-Temporal Risk Fields for One-Stage Agile Flight in Dynamic Clutter
- Title（参考訳）: RiskFly: 動的クラッタにおける1段階のアジャイルフライトのためのフラストタル対応の時空間的リスクフィールド
- Abstract要約: 異なる特権コストでトレーニングされた1段階の学習ベースのプランナーは、高速でエキスパートフリーである。
RiskFlyは、それが行動する同じ空間におけるリスクを予測するワンステージプランナーです。
- 参考スコア（独自算出の注目度）: 21.995071172604153
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Agile flight in unknown, cluttered, and dynamic environments requires a planner that knows where and when danger will appear, not only that a trajectory is dangerous. One-stage learning-based planners trained with differentiable privileged costs are fast and expert-free, but the only signal reaching their encoder is a scalar trajectory cost with no spatial or temporal structure, so avoidance degrades into late reactive maneuvers. We present RiskFly, a one-stage planner that predicts risk in the same space in which it acts. A dual-stream observation pairs a short depth sequence with a frustum-aligned inverted spherical range-map sequence, whose angular cells match the end-state proposals one to one. An auxiliary head regresses a frustum-aligned spatio-temporal risk field, supervised by a privileged closest-point-of-approach (CPA) target. This self-predicted field is queried differentiably along the instantiated quintic trajectory at its own arrival times, and also enters the training objective, so representation supervision and planning gradients meet in a single space. Privileged signals are discarded at deployment, and the planner runs map-free from onboard depth and proprioception. Extensive simulation and zero-shot real-world flights on resource-constrained platforms show higher success rates at comparable end-to-end latency.
- Abstract（参考訳）: 未知の、散らばった、ダイナミックな環境でのアジャイル飛行は、軌道が危険なだけでなく、どこでいつ危険が現れるかを知っているプランナーを必要とします。
異なる特権コストで訓練された1段階の学習ベースのプランナーは、高速で専門家がいないが、エンコーダに到達する唯一の信号は、空間的または時間的構造を持たないスカラー軌道コストである。
RiskFlyは、それが行動する同じ空間におけるリスクを予測するワンステージプランナーです。
二重ストリーム観測は、端状態の提案に一致した角細胞を1対1とするフラストム整列逆球状領域マップシーケンスと短深さシーケンスとをペアとする。
補助ヘッドは、特権的最寄りポイントオブアパッチ(CPA)ターゲットによって監督された、フラストムに整列した時空間的リスクフィールドを回帰する。
この自己予測フィールドは、自身の到着時刻でインスタンス化されたクインティック軌道に沿って異なる方法でクエリされ、またトレーニング目標に入るので、表現の監督と計画勾配は1つの空間で一致します。
プリヴィギングされた信号はデプロイ時に破棄され、プランナーはオンボードの深さとプロプリセプションからマップフリーで実行される。
リソース制約のあるプラットフォーム上での大規模なシミュレーションとゼロショットの現実飛行は、同じエンドツーエンドのレイテンシで高い成功率を示す。
関連論文リスト
- OmniRisk: Omnidirectional Trajectory-Risk Learning for Agile Quadrotor Dynamic Avoidance [16.030019032713916]
OmniRiskは、軌道レベルのリスクをオフラインで学習し、効率的なオンボード回避を実現する全方向計画フレームワークである。
我々は、接近する相互作用を強調する障害物速度に整合した非対称なリスクフィールドを定式化し、後退するリスクフィールドを減衰させる。
この定式化は、軌道に沿ったオンラインリスク蓄積を排除し、障害物数とは無関係にリスク推論コストを発生させる。
論文 参考訳（メタデータ） (2026-09-16T06:27:55Z) - NeurRAFT: Robot Motion Planning via Anchor-Level Flow Matching with Clearance-Aware Preference Tuning [5.973392871392725]
我々は,アンカーレベルのフローマッチングとクリアランスを考慮した選好チューニングに基づく生成計画フレームワークNeurRAFTを提案する。
実験は最先端のプランナーよりも大幅に改善され、実世界の実験ではフランカロボットへのゼロショット転送が実証された。
論文 参考訳（メタデータ） (2026-08-25T03:31:24Z) - Ergodic Trajectory Design by Learned Pushforward Maps: Provable Coverage via Conditional Flow Matching [3.1807155456602274]
エンフェゴディックのカバレッジ問題は、UAVが支援するデータ収集とセンシング、ロボット探査、モバイル監視の中心である。
飛行エージェントでは、トラジェクトリーはエネルギー予算の厳格化、飛行禁止ゾーン、加速限界のバランスをとる必要がある。
本稿では,エルゴディディティを密度マッチングから切り離すエフェプシュフォワードフレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-13T06:34:08Z) - Referring-Aware Visuomotor Policy Learning for Closed-Loop Manipulation [91.20850436220267]
Referring-Aware Visuomotor Policy(ReV)について紹介する。
ReVは、人間または高レベルの推論プランナーによって提供されるスパース参照ポイントを組み込む。
これは、専門家のデモンストレーションにターゲットの摂動を適用することでのみ訓練される。
論文 参考訳（メタデータ） (2026-04-07T07:41:11Z) - Vision-Guided MPPI for Agile Drone Racing: Navigating Arbitrary Gate Poses via Neural Signed Distance Fields [8.66703842496129]
ドローンレースには、極端なアジリティの下での認識、計画、制御の緊密な結合が必要です。
近年のアプローチは、事前計算された空間基準軌道や明示的な6-DoFゲートポーズ推定に依存している。
そこで我々は,任意の配置と配向ゲートを介して,参照不要のアジャイル飛行を可能にするビジョンガイド付き最適制御フレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-07T13:18:07Z) - Agentic Spatio-Temporal Grounding via Collaborative Reasoning [80.83158605034465]
時間的ビデオグラウンド(Temporal Video Grounding)は、テキストクエリが与えられたビデオ内の対象物または人の時間的チューブを検索することを目的としている。
本稿では,STVGの課題に対して,オープンワールドおよびトレーニングフリーシナリオに向けたエージェント時空間グラウンド(ASTG)フレームワークを提案する。
具体的には、現代多言語モデル(MLLM)を活用した2つの特殊エージェントSRA(Spatial Reasoning Agent)とTRA(Temporal Reasoning Agent)である。
人気のあるベンチマークの実験は、既存の弱教師付きおよびゼロショットアプローチをマージンで上回る提案手法の優位性を実証している。
論文 参考訳（メタデータ） (2026-02-10T10:16:27Z) - Building a Foundational Guardrail for General Agentic Systems via Synthetic Data [76.18834864749606]
LLMエージェントは、計画段階で介入するマルチステップタスクを計画できる。
既存のガードレールは主にポスト・エグゼクティブ(英語版)を運用しており、スケーリングが困難であり、計画レベルで制御可能な監督を行う余地がほとんどない。
我々は、良性軌道を合成し、カテゴリーラベル付きリスクを困難に注入し、自動報酬モデルを介して出力をフィルタリングする制御可能なエンジンであるAuraGenを紹介する。
論文 参考訳（メタデータ） (2025-10-10T18:42:32Z) - NOVA: Navigation via Object-Centric Visual Autonomy for High-Speed Target Tracking in Unstructured GPS-Denied Environments [56.35569661650558]
我々はNOVAというオブジェクト中心のフレームワークを導入し、ロバストな目標追跡と衝突認識ナビゲーションを可能にした。
グローバルマップを構築するのではなく、NOVAはターゲットの参照フレーム内での知覚、推定、制御を定式化する。
我々は,都市迷路や森林の小道,間欠的なGPS損失を伴う建物内の繰り返し遷移など,現実の挑戦的なシナリオにまたがってNOVAを検証する。
論文 参考訳（メタデータ） (2025-06-23T14:28:30Z) - Time-Optimal Planning for Quadrotor Waypoint Flight [50.016821506107455]
立方体の作動限界における時間-最適軌道の計画は未解決の問題である。
四重項のアクチュエータポテンシャルをフル活用する解を提案する。
我々は、世界最大規模のモーションキャプチャーシステムにおいて、実世界の飛行における我々の方法を検証する。
論文 参考訳（メタデータ） (2021-08-10T09:26:43Z)
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。