論文の概要: Low-Latency Mapless ESDF Queries for MAV Reactive Collision Avoidance

• arxiv url: http://arxiv.org/abs/2610.13158v1
• Date: Fri, 09 Oct 2026 07:48:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.460527
• Title: Low-Latency Mapless ESDF Queries for MAV Reactive Collision Avoidance
• Title（参考訳）: MAV反応性衝突回避のための低レイテンシマップレスESDFクエリ
• Abstract要約: 乱れた環境における反応衝突回避は、ミリ秒以内に障害物と正しい動きを知覚しなければならない。 既存の手法は高速衝突クエリのマップに頼っているが、それらの加速度構造は前処理を必要とする。 本稿では,マップレスでGPUを高速化したEuclidean Signed Distance Field (ESDF)クエリを提案する。
• 参考スコア（独自算出の注目度）: 13.205829145981996
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reactive collision avoidance in unknown, cluttered environments must perceive obstacles and correct motion within milliseconds. Existing methods rely on maps for high-rate collision queries, but their acceleration structures require pre- processing. That cost is amortized in long-horizon planning, where a map serves millions of queries; reactive planning, however, is a near-field, short-horizon problem with potentially only hundreds of queries per measurement, where building a map may not pay off. We propose a mapless, Graphics Processing Unit (GPU)-accelerated Euclidean Signed Distance Field (ESDF) query with negligible pre-processing that operates directly on posed depth images, with resolution set by pooling the image rather than by a voxel size. On an embedded GPU it is simultaneously more accurate and lower in total latency than every voxel-grid configuration we measured between 2 cm and 20 cm, at one to two orders of magnitude less memory at matched resolution. With our query integrated into a Model Predictive Controller (MPC), simulated runs in laser-scanned forests at up to 9 m/s collide in 0.4 % through dense branches, against 5.9 % with the best voxel grid and 5.5 % with the best mapless baseline at our resolution, whose failures we attribute to voxel resolution and total latency respectively. We deploy the system onboard at two forest sites and fly at commanded speeds of up to 4 m/s.
• Abstract（参考訳）: 未知の乱雑な環境での反応衝突回避は、ミリ秒以内に障害物や正しい動きを知覚しなければならない。 既存の手法は高速衝突クエリのマップに頼っているが、それらの加速度構造は前処理を必要とする。 このコストは、地図が数百万のクエリを処理しているロングホライズン計画(long-horizon planning)において償却される。 本稿では,マップレスでGPUを高速化したEuclidean Signed Distance Field (ESDF)クエリを提案する。 組込みGPUでは、2cmから20cmの間で測定したすべてのボクセルグリッド構成よりも、一致した解像度でメモリを1～2桁小さくすると同時に、全レイテンシがより正確で低い。 当社のクエリをモデル予測制御器(MPC)に統合することにより、レーザー走査された森林で最大9m/sの高密度分岐を0.4 %で衝突し、最高のボクセルグリッドで5.9%、最高のマップレスベースラインで5.5 %となり、その失敗はそれぞれボクセル分解能と全遅延に起因する。 2つの森林地帯にシステムを設置し,最高速度4m/sで飛行する。

関連論文リスト

• Frozen in a Frame: The Velocity Blind Spot in JEPA World Models [17.098571252004657]
  世界モデリングのための統合埋め込み予測アーキテクチャ(JEPA)はエンコーダを訓練するので、予測器は現在の埋め込みとアクションを、常に単一の描画フレームから次のフレームの埋め込みにマッピングする。 本稿では,3段階の診断プロトコルであるRateIdentとTI-JEPAを紹介する。 私たちはこれを公式のViT-TinyとAdaLN-transformerスケールで再現し、同じレシピをスクラッチから訓練された実際のdm_control Reacher写真にプッシュします。
  論文  参考訳（メタデータ） (2026-10-03T15:18:32Z)
• OptiMVMap: Offline Vectorized Map Construction via Optimal Multi-vehicle Perspectives [111.69010751405368]
  オフラインベクトル化マップは、高精度の自動運転およびマッピングサービスの重要な基盤となっている。 既存のアプローチは、基本的に視点の不十分さに苦しむ1つのエゴ車軌道に大きく依存している。 本稿では,これらの課題に体系的に対処するために,多車種対応マップを選択型ヒューズ問題として再構成するOptiMVMapを提案する。
  論文  参考訳（メタデータ） (2026-04-18T20:23:27Z)
• Super-Resolved Canopy Height Mapping from Sentinel-2 Time Series Using LiDAR HD Reference Data across Metropolitan France [0.9351726364879229]
  本稿では,ツリーハイト回帰とスーパーリゾリューションのための新しいエンドツーエンドフレームワーク THREASURE-Net を紹介する。 このモデルは、LiDAR HDデータから得られた基準高さメトリクスを用いて、Sentinel-2時系列でトレーニングされる。 モデル変種を3種類評価し,2.5m,5m,10mで樹高予測を行った。
  論文  参考訳（メタデータ） (2025-12-12T12:49:16Z)
• RoadRunner M&M -- Learning Multi-range Multi-resolution Traversability Maps for Autonomous Off-road Navigation [12.835198004089385]
  RoadRunner (M&M) はエンドツーエンドの学習ベースのフレームワークで、さまざまな範囲のトレーバービリティと標高マップを直接予測する。 RoadRunner M&Mは、標高マッピングで最大50%の大幅な改善と、RoadRunner上でのトラバーサビリティ推定で30%の大幅な改善を実現している。
  論文  参考訳（メタデータ） (2024-09-17T07:21:03Z)
• Achelous: A Fast Unified Water-surface Panoptic Perception Framework based on Fusion of Monocular Camera and 4D mmWave Radar [7.225125838672763]
  現在のマルチタスク認識モデルは、パラメータが巨大で、推論が遅く、拡張性がない。 本研究では,モノクロカメラと4D mmWaveレーダの融合に基づく水面認識のための低コストで高速な一眼レフ知覚フレームワークであるAchelousを提案する。 アシェルスは同時に、視覚的目標の検出とセグメンテーション、乾燥可能な領域セグメンテーション、ウォーターラインセグメンテーション、レーダーポイントクラウドセグメンテーションの5つのタスクを実行することができる。
  論文  参考訳（メタデータ） (2023-07-14T00:24:30Z)
• Vision Transformers, a new approach for high-resolution and large-scale mapping of canopy heights [50.52704854147297]
  分類(離散化)と連続損失関数を最適化した新しい視覚変換器(ViT)モデルを提案する。 このモデルは、従来使用されていた畳み込みベースのアプローチ(ConvNet)よりも、連続損失関数のみで最適化された精度が向上する。
  論文  参考訳（メタデータ） (2023-04-22T22:39:03Z)
• CabiNet: Scaling Neural Collision Detection for Object Rearrangement with Procedural Scene Generation [54.68738348071891]
  私たちはまず、さまざまな日常環境において、650万以上の散らばったシーン(前よりも桁違いに多い)を生成します。 このデータから合成部分点雲をレンダリングし、それをCabiNetモデルアーキテクチャのトレーニングに使用します。 CabiNetは、オブジェクトとシーンポイントの雲を受け入れる衝突モデルである。
  論文  参考訳（メタデータ） (2023-04-18T21:09:55Z)
• Ultra-low Power Deep Learning-based Monocular Relative Localization Onboard Nano-quadrotors [64.68349896377629]
  この研究は、2つのピアナノドロンのディープニューラルネットワーク(DNN)を介して、単分子の相対的な局所化に対処する、新しい自律的なエンドツーエンドシステムを示す。 超制約ナノドローンプラットフォームに対処するため,データセットの増大,量子化,システム最適化などを含む垂直統合フレームワークを提案する。 実験の結果,DNNは低分解能モノクローム画像のみを用いて最大2mの距離で10cmのターゲットナノドローンを正確に局在させることができることがわかった。
  論文  参考訳（メタデータ） (2023-03-03T14:14:08Z)
• Beyond Cross-view Image Retrieval: Highly Accurate Vehicle Localization Using Satellite Image [91.29546868637911]
  本稿では,地上画像と架空衛星地図とをマッチングすることにより,車載カメラのローカライゼーションの問題に対処する。 鍵となる考え方は、タスクをポーズ推定として定式化し、ニューラルネットベースの最適化によってそれを解くことである。 標準自動運転車のローカライゼーションデータセットの実験により,提案手法の優位性が確認された。
  論文  参考訳（メタデータ） (2022-04-10T19:16:58Z)
• Deep Learning for Real Time Satellite Pose Estimation on Low Power Edge TPU [58.720142291102135]
  本稿では,ニューラルネットワークアーキテクチャを利用したポーズ推定ソフトウェアを提案する。 我々は、低消費電力の機械学習アクセラレーターが宇宙での人工知能の活用を可能にしていることを示す。
  論文  参考訳（メタデータ） (2022-04-07T08:53:18Z)

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。