論文の概要: VIGOR-MPC: Vision-Guided Objective Regulation MPC

• arxiv url: http://arxiv.org/abs/2610.20333v1
• Date: Wed, 14 Oct 2026 15:15:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:16.217518
• Title: VIGOR-MPC: Vision-Guided Objective Regulation MPC
• Title（参考訳）: VIGOR-MPC:Vision-Guided Objective Regulation MPC
• Abstract要約: VIGOR-MPC (VIGOR-MPC) は、視覚に基づく自律走行のためのモジュラー・学生教育フレームワークである。 ナビゲーションタスクを横断する参照トラッキングに対処するため、特権付き視野対応ロングホライゾンMPCを蒸留する。 教師は、状態の知識とエージェントがその視野内に留まることを保証する多軌道の定式化をシミュレーションで行う。 VIGOR-MPCは、コースのオンボード認識のみを用いて、トレーニング中に見えないトラックを一般化し、特権のある長距離教師のラップタイムに近づき、ステップ毎の時間を90%以上削減する。
• 参考スコア（独自算出の注目度）: 2.8128977185156483
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Controlling an agent in an environment solely perceived through onboard vision is challenging: perception yields noisy, variable-length, and partially occluded context, while onboard compute is shared between perception and control, limiting the planning horizon executable in real time. We propose VIGOR-MPC, a modular student-teacher framework, agnostic to the perception pipeline, which addresses reference tracking across navigation tasks by distilling a privileged, field-of-view-aware long-horizon MPC into a computationally lightweight short-horizon MPC whose cost parameters are determined online from vision. The teacher operates in simulation with full state knowledge and a multi-trajectory formulation that guarantees the agent can stay within its field of view. The student observes only the noisy, occluded context produced by a perception module and learns, via a multi-level recurrent mapping, to infer cost parameters that aim to recover the teacher's behavior despite missing information. We evaluate VIGOR-MPC on vision-based autonomous racing in simulation and on hardware. Using only onboard perception of the track, VIGOR-MPC generalizes to tracks unseen during training and approaches the lap times of the privileged long-horizon teacher while reducing per-step computation by over 90%.
• Abstract（参考訳）: 知覚はノイズ、可変長、部分的に無視される文脈を産み出す一方、オンボード計算は知覚と制御の間で共有され、計画的地平線をリアルタイムで実行可能なものに制限する。 視覚からオンラインでコストパラメータが決定される計算軽量な短距離MPCに、特権付き視野認識型MPCを蒸留することにより、ナビゲーションタスク間の参照トラッキングに対処するモジュール型学生-教師フレームワークであるVIGOR-MPCを提案する。 教師は、状態の知識とエージェントがその視野内に留まることを保証する多軌道の定式化をシミュレーションで行う。 学生は、知覚モジュールが生み出す騒々しい、隠蔽されたコンテキストのみを観察し、多段階の反復マッピングを通して、情報不足にもかかわらず教師の行動を回復することを目的としたコストパラメーターを推論する。 VIGOR-MPCは、シミュレーションおよびハードウェア上での視覚に基づく自律レースにおいて評価される。 VIGOR-MPCは、トラックのオンボード認識のみを用いて、トレーニング中に見えないトラックを一般化し、特権のある長距離教師のラップタイムにアプローチし、ステップ毎の計算を90%以上削減する。

関連論文リスト

• EWAM: Emergent Depth-Wise Specialization in a Unified Embodied Model -- From Semantic Understanding through Visual Foresight to Action [65.7650775259592]
  視覚言語行動(VLA)ポリシーは意味理解を重視し、世界行動モデル(WAM)は環境力学の予測表現を学習する。 本研究では,アクション中心の統一型エンボディモデルであるEWAMについて述べる。
  論文  参考訳（メタデータ） (2026-09-30T15:35:53Z)
• Towards Generalizable Visually Grounded Exploration of Household Devices [74.66117923766632]
  汎用的な自律的実施エージェントを実現する上でのボトルネックは、Generalizable Visually Grounded Explorationにある。 VGEBenchは、視覚言語モデルの一般化可能な視野探索能力を評価するために設計されたベンチマークである。 静的なデータセットとは異なり、我々はLogic-Driven State Machineフレームワークを構築している。このフレームワークは多ターンインタラクションループをシミュレートし、アクティブな視覚知覚とフィードバック駆動の修正によって目標を達成するエージェントを説得する。
  論文  参考訳（メタデータ） (2026-09-01T07:42:45Z)
• PILOT: Privileged Imitation Learning for End-to-End Motion Planning of Autonomous UAVs under Partial Observability [7.550075542886951]
  本稿では、視覚に基づくエンドツーエンドUAV計画のための制約対応の特権的模倣学習フレームワークであるPILOTについて述べる。
  論文  参考訳（メタデータ） (2026-08-14T08:43:59Z)
• VISTA: Vision-Grounded and Physics-Validated Adaptation of UMI data for VLA Training [52.05483137072975]
  Universal Manipulation Interface (UMI)は、ハードウェア固有の遠隔操作なしでスケーラブルな実世界のロボットデータ収集を可能にする。 VISTAは、この2つのギャップを3つの相乗的コンポーネントを通して橋渡しするフレームワークである。 我々は,物理検証パイプライン,UMI-VQA,検証された軌道データ,コミュニティのための事前学習モデルをリリースする。
  論文  参考訳（メタデータ） (2026-06-03T10:38:45Z)
• SGDrive: Scene-to-Goal Hierarchical World Cognition for Autonomous Driving [52.02379432801349]
  本稿では,運転特化知識階層に関するVLMの表現学習を構築する新しいフレームワークであるSGDriveを提案する。 トレーニング済みのVLMバックボーン上に構築されたSGDriveは、人間の運転認知を反映するシーンエージェントゴール階層に、駆動理解を分解する。
  論文  参考訳（メタデータ） (2026-01-09T08:55:42Z)
• When Pre-trained Visual Representations Fall Short: Limitations in Visuo-Motor Robot Learning [25.95301873726987]
  トレーニング済みの視覚表現を視覚運動ロボット学習に統合することは、視覚エンコーダをゼロから訓練するための有望な代替手段として登場した。 PVRは、時間的絡み合いや、小さなシーンの摂動があっても一般化できないなど、政策学習の文脈において重要な課題に直面している。 本研究は、これらの欠点を特定し、対処するための解決策を提案する。まず、時間的知覚とタスク完了の感覚でPVR機能を増強し、効果的に時間内にそれらを切り離す。 第2に,タスク関連ローカル機能への選択的参加を学習するモジュールを導入し,アウト・オブ・ディストリビューション(out-of-distribution)の評価においてロバスト性を高める。
  論文  参考訳（メタデータ） (2025-02-05T15:25:46Z)
• Bootstrapping Reinforcement Learning with Imitation for Vision-Based Agile Flight [20.92646531472541]
  本稿では,Reinforcement Learning(RL)とImitation Learning(IL)のサンプル効率を組み合わせた新しいアプローチを提案する。 本フレームワークは、RLを用いた3段階の教員政策と、ILによる学生政策に蒸留する特権状態情報と、RLによる適応微調整とを含む。 テストでは、スクラッチからRLが失敗するシナリオだけでなく、ロバストさとパフォーマンスの両方で既存のILメソッドよりも優れています。
  論文  参考訳（メタデータ） (2024-03-18T19:25:57Z)
• Learning Perception-Aware Agile Flight in Cluttered Environments [38.59659342532348]
  乱雑な環境下での知覚に敏感で最小時間飛行を実現するニューラルネットワークポリシーを学習する手法を提案する。 提案手法は認識と制御を密に結合し,計算速度(10倍高速)と成功率に有意な優位性を示す。 本研究では, クローズドループ制御性能を最大50km/hの速さで実機とハードウェア・イン・ザ・ループシミュレーションを用いて実証する。
  論文  参考訳（メタデータ） (2022-10-04T18:18:58Z)

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。