論文の概要: MeshSIPP: Efficient Lattice Planning in Dynamic Environment

• arxiv url: http://arxiv.org/abs/2610.09652v1
• Date: Wed, 07 Oct 2026 08:24:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.796655
• Title: MeshSIPP: Efficient Lattice Planning in Dynamic Environment
• Title（参考訳）: MeshSIPP: 動的環境における効率的な格子計画
• Abstract要約: MeshSIPPは、多くのプリミティブが同じ領域にあるという事実を利用して計算ボトルネックを誘発する効率的なプランナーである。 6,000以上のベンチマークインスタンスとリアルタイムROS2シミュレーションによる大規模な実験により、MeshSIPPは最先端の時間プランナよりも3$times$のスピードアップを実現している。
• 参考スコア（独自算出の注目度）: 1.5039745292757674
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Autonomous navigation in dynamic environments requires computing spatiotemporal trajectories that satisfy non-holonomic motion constraints. When the trajectories of the moving obstacles are predictable or known, a promising approach is to rely on the combination of state lattices constructed from precomputed feasible motion primitives and Safe Interval Path Planning -- a search-based algorithm with strong theoretical guarantees. While this approach yields feasible paths, the rich primitive sets needed for smooth navigation induce a large branching factor, which becomes costly when coupled with time-dependent obstacle intervals. To this end, we present MeshSIPP, an efficient planner that removes the computational bottleneck by exploiting the fact that many primitives sweep the same regions and can therefore be validated together. MeshSIPP propagates primitives as spatial bundles, screens them with lightweight bounding-interval checks, and defers the expensive exact departure-time search until a primitive reaches its terminal state. A time-aware pruning rule additionally discards redundant space-time branches early in the search. We prove that the resulting search is complete and optimal. Extensive experiments over more than 6,000 benchmark instances and real-time ROS~2 simulations show that MeshSIPP achieves up to a 3$\times$ speedup over state-of-the-art spatiotemporal planners.
• Abstract（参考訳）: 動的環境における自律的なナビゲーションには、非ホロノミックな動きの制約を満たす時空間軌跡の計算が必要である。 移動障害の軌跡が予測可能または既知の場合、予測可能な運動プリミティブから構築された状態格子と、強力な理論的保証を持つ探索ベースのアルゴリズムであるSafe Interval Path Planningの組合せに依存する、有望なアプローチである。 このアプローチは実現可能な経路を生成するが、滑らかなナビゲーションに必要な豊富な原始集合は大きな分岐因子を誘導し、時間依存の障害物間隔と結合するとコストがかかる。 そこで我々は,多くのプリミティブが同じ領域を網羅し,一緒に検証できるという事実を利用して,計算ボトルネックを取り除く,効率的なプランナであるMeshSIPPを提案する。 MeshSIPPはプリミティブを空間バンドルとして伝播させ、軽量なバウンディングインターバルチェックでスクリーニングし、プリミティブが端末状態に到達するまで、高価な正確な出発時刻探索を無効にする。 時間対応プルーニングルールは、検索の早い段階で冗長な時空分岐を破棄する。 結果の探索が完全かつ最適であることを証明する。 6,000以上のベンチマークインスタンスとリアルタイムROS~2シミュレーションによる大規模な実験は、MeshSIPPが最先端の時空間プランナよりも3$\times$のスピードアップを達成することを示している。

関連論文リスト

• ST-pRRTC: Parallel Space-Time RRT-C with Adaptive Goal-Time Forests [16.423795837417163]
  多くの到着時間の探索は、時間的範囲を広げるが、計画予算を、より後方のツリーに分けている。 この課題に対処するため、ST-pRRTCは、共通のフォワードツリーと、後方のゴールタイムツリーの適応的なフォレストを構築する。 実験により、両変種はST-RRT*とSI-RRTよりも平均第一溶解時間と初期最終到着時間が低いことがわかった。 実ロボットによるデモでは、動くクラジフリー四重項のUR5eのルートリサイクルST-pRRTC計画運動が示されている。
  論文  参考訳（メタデータ） (2026-09-24T20:39:06Z)
• 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)
• PathCover: A Fast Convex Decomposition along a Path via Randomized Iterative Space Partitioning (RISP) on Point Clouds [7.061252397888759]
  本稿では,自律型ロボットナビゲーションのための障害物のない領域を生成するためのフレームワークPathCoverを紹介する。 干渉のない参照経路に沿って連続的な進行を保ちながら、アルゴリズムが有限ステップで終了することを数学的に保証する。 完全なパイプラインは、高忠実度四足歩行シミュレーションと四足歩行ロボットへの物理的展開によって検証される。
  論文  参考訳（メタデータ） (2026-08-06T04:17:13Z)
• BOWConnect: Parallel Bayesian Optimization over Windows with Learned Local Cost Maps for Sample-Efficient Kinodynamic Motion Planning [1.4499463058550681]
  本稿では,並列キノダイナミックモーションプランナであるBOWConnectについて述べる。 これは、高次元状態空間におけるサンプル非効率性、信頼できないサンプリング、狭い空間における性能の3つの基本的な制限に対処する。 学習ベースの探索フレームワークとしてBOWを統合しており、各作業者はローカルマップと制約を学び、動的に実現可能で衝突のないコントロールへと導くことができる。
  論文  参考訳（メタデータ） (2026-06-25T17:11:33Z)
• 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)
• Streaming Real-Time Trajectory Prediction Using Endpoint-Aware Modeling [54.94692733670454]
  近隣の交通機関の将来の軌道は、自動運転車の経路計画と意思決定に大きな影響を与えている。 本稿では,軽量かつ高精度なストリーミングベース軌道予測手法を提案する。 当社のアプローチは推論遅延を大幅に低減し、現実のデプロイメントに適しています。
  論文  参考訳（メタデータ） (2026-03-02T13:44:23Z)
• A Fast Semidefinite Convex Relaxation for Optimal Control Problems With Spatio-Temporal Constraints [22.24436694865408]
  自律エージェントの最適制御問題(OC)の解決は、自動運転車から自動運転車まで、幅広いアプリケーションにおいて不可欠である。 ほとんどのOCPは、イベントタイミングと軌道とのカップリングのため、非ポイントである。 本稿では,水平線を時間制約付きセグメントに分割する時間スケーリング直接多重撮影方式を提案する。
  論文  参考訳（メタデータ） (2026-01-06T14:38:19Z)
• OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
  学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。 OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。 最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
  論文  参考訳（メタデータ） (2024-09-14T07:44:22Z)
• Temporal Context Aggregation Network for Temporal Action Proposal Refinement [93.03730692520999]
  時間的行動提案生成はビデオ理解分野において難しいが重要な課題である。 現在の方法はまだ不正確な時間境界と検索に使用される劣った自信に苦しんでいます。 TCANet は、「ローカルおよびグローバル」な時間的コンテキストアグリゲーションを通じて、高品質のアクション提案を生成するために提案します。
  論文  参考訳（メタデータ） (2021-03-24T12:34:49Z)
• Supporting Optimal Phase Space Reconstructions Using Neural Network Architecture for Time Series Modeling [68.8204255655161]
  位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。 私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
  論文  参考訳（メタデータ） (2020-06-19T21:04:47Z)

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。