論文の概要: Real-Time Motion Planning with Dynamic Hazards: Classical vs. Learning-Based Methods

• arxiv url: http://arxiv.org/abs/2610.12249v1
• Date: Thu, 08 Oct 2026 16:24:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:54.17967
• Title: Real-Time Motion Planning with Dynamic Hazards: Classical vs. Learning-Based Methods
• Title（参考訳）: 動的ハザードを用いたリアルタイム運動計画:古典的対学習的手法
• Abstract要約: 本研究では,古典的計画法と学習に基づく手法の制御比較により,動的ハザード分野におけるリアルタイムな運動計画について検討する。 我々は,古典的・学習的手法が同じ環境,動作制約,情報仮定,評価指標に直面するような統一されたベンチマークを構築した。
• 参考スコア（独自算出の注目度）: 39.382871838597055
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We study real-time motion planning in dynamic hazard fields through a controlled comparison between classical planning and learning-based methods. Rather than introducing a new planner, we construct a unified benchmark in which representative classical and learning-based methods face the same environments, motion constraints, information assumptions, and evaluation metrics. The test environment consists of planar domains populated with rotating sprinkler-like hazards that generate time-varying forbidden regions via sweeping angular sectors. Our results show a clear regime shift. In deterministic environments, classical planners achieve near-perfect success and higher-quality paths, though sometimes at the cost of substantial planning or replanning time. Under stochastic obstacle dynamics, however, online search becomes strongly budget-sensitive: low budgets lead to frequent failure, while high budgets improve success at the cost of latency and longer trajectories. PPO-based policies, trained under the same scenario distribution, consistently outperform in latency, success rate, and path quality in these stochastic regimes. Overall, the results indicate that uncertainty in obstacle evolution, more than partial observability, is the dominant factor determining which planning paradigm is practically effective for the problem at hand.
• Abstract（参考訳）: 本研究では,古典的計画法と学習に基づく手法の制御比較により,動的ハザード分野におけるリアルタイムな運動計画について検討する。 新しいプランナーを導入するのではなく、古典的・学習的な手法が同じ環境、動きの制約、情報仮定、評価基準に直面するような統一されたベンチマークを構築する。 テスト環境は、回転するスプリンクラーのようなハザードが密集した平面ドメインで構成され、角のセクターを網羅することで、時間的に変化する禁制区域を生成する。 我々の結果は明らかな政権交代を示している。 決定論的環境においては、古典的なプランナーは、ほぼ完全な成功と高品質なパスを達成するが、時には実質的な計画や再計画のコストがかかる。 しかし、確率論的障害力学の下では、オンライン検索は予算に強く依存するようになり、低予算は頻繁な失敗を招き、高予算は遅延と長い軌道のコストで成功を向上する。 同一シナリオでトレーニングされたPPOベースのポリシは、これらの確率的レジームにおいて、レイテンシ、成功率、パス品質を一貫して上回る。 以上の結果から, 障害発生の不確実性は, 部分的に観測可能であることよりも, 今後の課題に対して, 計画パラダイムが実際に有効であるかを判断する上で重要な要因であることが示唆された。

関連論文リスト

• Self-Supervised Bio-Inspired Robotic Trajectory Planning with Obstacle Avoidance [0.0]
  軌道計画はロボット工学の基本的な問題であり、潜在的に複雑な環境で衝突のない効率的な軌道を生成する必要がある。 サンプリングベースのプランナーは依然として主要なアプローチであるが、特に高次元空間や障害物の多い環境では計算コストがかかることが多い。 モデル学習に基づく手法は、有望な代替手段を提供する。
  論文  参考訳（メタデータ） (2026-07-22T21:47:56Z)
• Compositional Planning with Jumpy World Models [70.74595987225908]
  我々は、事前訓練されたポリシーを構成するエージェントを時間的に拡張したアクションとして研究し、構成員だけでは解決できない複雑なタスクに対する解決を可能にする。 arXiv:2206.08736で導入された幾何学的ポリシー構成フレームワークをモチベーションとして,多段階力学の予測モデルを学習することにより,これらの課題に対処する。
  論文  参考訳（メタデータ） (2026-02-23T09:22:21Z)
• Why Reasoning Fails to Plan: A Planning-Centric Analysis of Long-Horizon Decision Making in LLM Agents [42.09897801169138]
  大規模言語モデル(LLM)に基づくエージェントは、短い地平線上でのステップバイステップ推論能力を示すが、長い計画地平線上でのコヒーレントな振舞いを維持できないことが多い。 我々は、ステップワイズ推論は、短い地平線に適しているが、長期計画では失敗するステップワイズ欲求政策の形式を誘導すると主張する。 我々は、FLAREを将来の計画の最小限のインスタンス化として導入し、明示的なルックアヘッド、価値伝播、限定的なコミットメントを1つのモデルで実施する。
  論文  参考訳（メタデータ） (2026-01-29T20:52:32Z)
• Simple Hierarchical Planning with Diffusion [54.48129192534653]
  拡散に基づく生成法は、オフラインデータセットによる軌跡のモデリングに有効であることが証明されている。 階層型および拡散型プランニングの利点を組み合わせた高速かつ驚くほど効果的な計画手法である階層型ディフューザを導入する。 我々のモデルは、より高いレベルで「ジャンピー」な計画戦略を採用しており、より大きな受容場を持つことができるが、計算コストは低い。
  論文  参考訳（メタデータ） (2024-01-05T05:28:40Z)
• A Unifying Variational Framework for Gaussian Process Motion Planning [44.332875416815384]
  本稿では,変分ガウス過程に基づくロボット動作計画のためのフレームワークを提案する。 我々のフレームワークは、平等ベース、不平等ベース、ソフトモーションプランニング制約を組み込む、原則的で柔軟な方法を提供します。 その結果,提案手法は成功率とパス品質のバランスが良好であることが示唆された。
  論文  参考訳（メタデータ） (2023-09-02T07:51:29Z)
• Imitating, Fast and Slow: Robust learning from demonstrations via decision-time planning [96.72185761508668]
  テストタイムでの計画(IMPLANT)は、模倣学習のための新しいメタアルゴリズムである。 IMPLANTは,標準制御環境において,ベンチマーク模倣学習手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-04-07T17:16:52Z)
• A Regret Minimization Approach to Iterative Learning Control [61.37088759497583]
  我々は、標準的な不確実性の仮定を最悪の場合の後悔に置き換える新しいパフォーマンスメトリック、計画後悔を提案します。 提案アルゴリズムがいくつかのベンチマークで既存の手法よりも優れているという理論的および実証的な証拠を提供します。
  論文  参考訳（メタデータ） (2021-02-26T13:48:49Z)
• Reinforcement Learning for Low-Thrust Trajectory Design of Interplanetary Missions [77.34726150561087]
  本稿では, 惑星間軌道のロバスト設計における強化学習の適用について検討する。 最先端アルゴリズムのオープンソース実装が採用されている。 その結果得られた誘導制御ネットワークは、堅牢な名目的軌道と関連する閉ループ誘導法の両方を提供する。
  論文  参考訳（メタデータ） (2020-08-19T15:22:15Z)

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。