論文の概要: From Field to Planning: Learning Temporal Polar Gradient Fields for Vision-based AAV Trajectory Planning in Dynamic Environments
- arxiv url: http://arxiv.org/abs/2610.14482v1
- Date: Sat, 10 Oct 2026 02:26:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-20 13:18:00.035509
- Title: From Field to Planning: Learning Temporal Polar Gradient Fields for Vision-based AAV Trajectory Planning in Dynamic Environments
- Title（参考訳）: 視野から計画へ:動的環境における視覚に基づくAAV軌道計画のための時間極勾配場を学習する
- Abstract要約: 本研究では2段階のF2P学習フレームワークを提案し、動的環境における軌道計画のための高精度で効率的な安全勾配を提供する。
第1段階では,車載カメラフラストラムの形状と自然に一致するエゴ中心の極性職業表現を導入する。
第2段階では,TPGFを用いて,自己指導型学習方式で軌道計画方針を導出する。
- 参考スコア（独自算出の注目度）: 7.67775311595731
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Autonomous Aerial Vehicle (AAV) trajectory planning requires real-time and accurate safety gradient guidance, especially in dynamic environments. Existing methods typically rely on static maps and dynamic obstacle tracking to construct gradient fields, imposing heavy computational burdens and yielding conservative trajectories. To address these limitations, we propose a two-stage Field-to-Planning (F2P) learning framework to provide accurate and efficient safety gradients for trajectory planning in dynamic environments. In the first stage, we introduce an Ego-centric Polar Occupancy (EPO) representation that naturally matches the geometry of the onboard camera frustum, while supporting unstructured scene modeling. Subsequently, we formulate a Temporal Polar Gradient Field (TPGF) via multi-kernel separable Gaussian convolution to provide unified safety gradients, without explicitly distinguishing between static and dynamic obstacles. To mitigate the inherent spatial ambiguity introduced by applying convolutions within the polar grid, we propose an ESDF-guided offline learning strategy that incorporates geometric priors into TPGF. In the second stage, we employ the calibrated TPGF to guide the trajectory planning policy in a self-supervised learning manner. Comparative results with other approaches demonstrate the superiority of our method. Extensive real-world experiments within various cluttered dynamic environments validate the real-time performance and robustness on resource-constrained onboard systems.
- Abstract（参考訳）: 自律航空車両(AAV)の軌道計画には、特に動的環境において、リアルタイムかつ正確な安全誘導が必要である。
既存の手法は静的マップと動的障害物追跡に頼り、勾配場を構築し、重い計算負荷を課し、保守的な軌道を産み出す。
これらの制約に対処するために、動的環境における軌道計画のための正確かつ効率的な安全勾配を提供する2段階フィールド・ツー・プランニング(F2P)学習フレームワークを提案する。
第1段階では,非構造的シーンモデリングをサポートしながら,車載カメラフラストラムの幾何学と自然に一致するエゴ中心の極性職業(EPO)表現を導入する。
その後,マルチカーネル分離型ガウス畳み込みにより時間極勾配場(TPGF)を定式化し,静的障害物と動的障害物とを明確に区別することなく,一貫した安全勾配を提供する。
極格子内に畳み込みを施すことによって生じる空間的曖昧さを軽減するため,幾何的先入観をTPGFに組み込んだESDF誘導オフライン学習戦略を提案する。
第2段階では、調整されたTPGFを用いて、自己指導的な学習方法で軌道計画方針を導出する。
他の手法との比較により,本手法の優位性を示す。
様々な乱雑な動的環境における広範囲な実世界の実験は、資源制約されたオンボードシステムにおける実時間性能とロバスト性を検証する。
関連論文リスト
- Path Planning with Motion Primitives in Dynamic Environments: SIPP on Lattices [0.0]
キノダイナミックな運動プリミティブを応用した状態格子を用いた安全区間経路計画(SIPP)を提案する。
本手法は,スムーズで連続的で,物理的に実行可能なパスを確保しつつ,高連結グリッドに匹敵する到達性を実現する。
論文 参考訳（メタデータ） (2026-09-25T12:02:19Z) - AutoPath: Learning Transferable Goal-Conditioned Stochastic Path Prior for Safe Navigation Without Human Demonstrations [103.61864552260316]
動的環境におけるリアルタイムナビゲーションは、限られた知覚下での衝突のない、動的に実現可能な動きを必要とする。
我々は,移動可能な目標整合経路の学習としてナビゲーションを定式化し,局所的な観測に基づいて,目標整合な局所経路上の再利用可能な分布をモデル化する。
我々は、幾何対応の極性行動多様体を用いて局所経路をパラメータ化し、安定かつ安全対応の計画のためのマルチゴール分散ロールアウトによるリスク感応性ユーティリティシェーピングを含む構造化された事前学習フレームワークを開発した。
論文 参考訳（メタデータ） (2026-07-13T16:00:41Z) - RAY-TOLD: Ray-Based Latent Dynamics for Dense Dynamic Obstacle Avoidance with TDMPC [5.838266102141284]
RAY-TOLDは、障害情報を潜在力学に統合するハイブリッド制御アーキテクチャである。
本稿では,MPPI候補人口を学習方針から派生した軌道で増加させる政策混合サンプリング戦略を提案する。
その結果、短時間の水平物理学に基づくロールアウトと学習された長い水平意図を組み合わせることで、ナビゲーションの信頼性と安全性が著しく向上することが確認された。
論文 参考訳（メタデータ） (2026-04-30T05:44:46Z) - Training-Free Object-Background Compositional T2I via Dynamic Spatial Guidance and Multi-Path Pruning [63.21130437262217]
既存のテキスト・画像拡散モデルでは、背景は受動的で過度に最適化された副産物として扱われる。
本研究では,前景と背景の相互作用を明示的に考慮し,拡散サンプリングを再構成する学習自由フレームワークを提案する。
論文 参考訳（メタデータ） (2026-04-10T19:25:24Z) - HAD: Combining Hierarchical Diffusion with Metric-Decoupled RL for End-to-End Driving [51.268878540511054]
我々は階層的拡散政策を備えたエンドツーエンドの計画フレームワークであるHADを提案する。
我々は,NAVSIMとHUGSIMの両方でHADが新たな最先端性能を実現することを示す。
論文 参考訳（メタデータ） (2026-04-04T04:12:47Z) - SPOT: Spatio-Temporal Obstacle-free Trajectory Planning for UAVs in an Unknown Dynamic Environment [1.9181913148426697]
我々は、視覚に基づくセーフフライト・コリドール(SFC)世代と統合した4次元プランナーを開発した。
シミュレーションおよび実世界のハードウェア実験において,本手法を広範囲に検証し,最先端の手法と比較した。
論文 参考訳（メタデータ） (2026-02-01T12:24:12Z) - Scaling Up Occupancy-centric Driving Scene Generation: Dataset and Method [54.461213497603154]
作業中心の手法は、最近、フレームとモダリティをまたいだ一貫した条件付けを提供することで、最先端の結果を得た。
Nuplan-Occは、広く使われているNuplanベンチマークから構築された、これまでで最大の占有率データセットである。
高品質な占有、多視点ビデオ、LiDAR点雲を共同で合成する統合フレームワークを開発した。
論文 参考訳（メタデータ） (2025-10-27T03:52:45Z) - RFPPO: Motion Dynamic RRT based Fluid Field - PPO for Dynamic TF/TA Routing Planning [2.299967328525874]
本稿では、動的TF/TAルーティング計画のためのモーションダイナミックRTベース流体場(PPO)を提案する。
報酬関数は障害物回避、地形追従、地形回避、安全な飛行のための戦略を促進するように設計されている。
実DEMデータによる実験結果から,衝突のない軌道計画により長距離飛行のタスクを完了できることが示されている。
論文 参考訳（メタデータ） (2024-12-28T09:42:02Z) - Integrating Higher-Order Dynamics and Roadway-Compliance into
Constrained ILQR-based Trajectory Planning for Autonomous Vehicles [3.200238632208686]
軌道計画は、自動運転車のグローバルな最適ルートを作成することを目的としている。
既存の自転車キネマティックモデルを用いた実装では、制御可能な軌道は保証できない。
このモデルを、曲率と長手ジャークの1階および2階微分を含む高階項で拡張する。
論文 参考訳（メタデータ） (2023-09-25T22:30:18Z) - Trajectory Design for UAV-Based Internet-of-Things Data Collection: A
Deep Reinforcement Learning Approach [93.67588414950656]
本稿では,無人航空機(UAV)による3D環境におけるIoT(Internet-of-Things)システムについて検討する。
本稿では,TD3-TDCTMアルゴリズムの完成時間最小化のためのトラジェクトリ設計を提案する。
シミュレーションの結果,従来の3つの非学習ベースライン法よりもTD3-TDCTMアルゴリズムの方が優れていることが示された。
論文 参考訳（メタデータ） (2021-07-23T03:33:29Z) - Path Planning Followed by Kinodynamic Smoothing for Multirotor Aerial
Vehicles (MAVs) [61.94975011711275]
そこで本稿では,RRT*textquotedblrightのテキストを幾何学的にベースとした動き計画手法を提案する。
提案手法では,適応探索空間とステアリング機能を導入したオリジナルのRT*を改良した。
提案手法を様々なシミュレーション環境で検証した。
論文 参考訳（メタデータ） (2020-08-29T09:55:49Z)
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。