論文の概要: Structured Perception Representations for Off-road Dynamics Learning

• arxiv url: http://arxiv.org/abs/2610.22900v1
• Date: Fri, 16 Oct 2026 04:02:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.761533
• Title: Structured Perception Representations for Off-road Dynamics Learning
• Title（参考訳）: オフロードダイナミクス学習のための構造的知覚表現
• Abstract要約: オフロードでは、地形の相互作用が車両の力学の主要な構成要素である。 私たちのアプローチであるSpatialBEVは、この空間構造を利用しています。 季節を通じて収集されたデータセットでは、SpatialBEVは予測エラーを17.1%削減する。
• 参考スコア（独自算出の注目度）: 8.885225409462445
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autonomously navigating off-road terrain at high speed demands accurate control, which often relies on dynamics models that capture complex interactions between the robot and terrain. In off-road regimes, terrain interaction is a major component of the vehicle's dynamics. Prior work attempts to capture this effect by training learned models of the vehicle's dynamics, conditioned on its perception of the local environment. However, said conditioning is often overly simplistic, ignoring the spatial structure of the dynamics problem. Our approach, SpatialBEV, exploits this spatial structure. At each step, we query the bird's-eye-view (BEV) features around the predicted state, conditioning the next prediction on current geometric and semantic cues. We additionally present a benchmarking approach that mines a dataset's most difficult scenarios. On datasets collected across seasons, SpatialBEV reduces prediction error by 17.1%, compared to physics-based and learned baselines. We further evaluate on hardware on high-speed ($\geq$10 m/s) and geometrically challenging courses with a 25.3% reduction in maximum cross-track error. More details can be found at https://theairlab.org/spatial-bev-dynamics .
• Abstract（参考訳）: 高速でオフロード地形を自律的にナビゲートするには正確な制御が必要で、ロボットと地形の間の複雑な相互作用を捉えるダイナミックスモデルに依存することが多い。 オフロードでは、地形の相互作用が車両の力学の主要な構成要素である。 この効果を捉えようとする以前の研究は、地元の環境に対する認識に基づいて、車両の力学を学習したモデルを訓練することで試みられた。 しかし、この条件付けはしばしば過度に単純化され、力学問題の空間構造を無視する。 私たちのアプローチであるSpatialBEVは、この空間構造を利用しています。 それぞれのステップで、予測状態の周りの鳥眼ビュー(BEV)の特徴を問い合わせ、現在の幾何学的および意味的な手がかりについて次の予測を条件付ける。 さらに、データセットの最も難しいシナリオをマイニングするベンチマークアプローチも提示します。 季節を通じて収集されたデータセットでは、SpatialBEVは物理ベースのベースラインや学習ベースラインと比較して予測誤差を17.1%削減する。 さらに,高速(10m/s)のハードウェアと,25.3%のクロストラック誤差を低減した幾何学的難題について検討した。 詳細はhttps://theairlab.org/spatial-bev-dynamics で確認できる。

関連論文リスト

• NeSAM: Neuro-Symbolic Kinodynamics with Soil Adaptation for Off-Road Mobility [11.894870991511567]
  NeSAMは、Bekker-Wong terramechanicsと学習された地形表現を組み合わせた、ニューロシンボリックなフレームワークである。 NeSAMは、シミュレーションで最大30%、実世界のデータで29%の精度で予測精度を向上する。
  論文  参考訳（メタデータ） (2026-08-21T17:37:33Z)
• VertiAKD: Adaptive Off-Road Kinodynamics on Vertically Challenging Terrain [11.894870991511567]
  VertiAKDは、様々な車両にまたがるオフロードキノダイナミックな知識の伝達と適応のための統一されたフレームワークである。 We demonstrate VertiAKD in the Verti-Bench simulator, built on the Chrono multi-physics engine, on on 5 physical configurations of the Verti-4-Wheeler platform。
  論文  参考訳（メタデータ） (2026-08-02T02:55:08Z)
• SkyJEPA: Learning Long-Horizon World Models for Zero-Shot Sim-to-Real Control of Quadrotors [48.60897189520386]
  本稿では,実時間四重項制御のためのJEPAスタイルモデルを提案する。 我々は、潜伏動力学モデルと、凍結した潜伏者を解釈可能な状態にマッピングする、物理学に着想を得た新しいプロバーを組み合わせる。 高価で安全性の低い実世界のデータ収集への依存を低減するため,自動データセット生成のための構造化パイプラインを構築した。
  論文  参考訳（メタデータ） (2026-06-22T15:00:59Z)
• Multistep Belief Space Dynamics Learning For Risk-Aware Control [16.923373296752533]
  モデル予測制御(MPC)のために,リアルタイムに最適化可能な分散力学の学習フレームワークを提案する。 提案した構造からの偏差の影響を実世界のオフロード駆動の大規模データセットを用いて厳密なアブレーション実験を行った。 当社の計画アーキテクチャは、環境に基づいて車両の速度を自然に調整し、多様な地形上でのインテリジェントな振る舞いを一貫して示すことができます。
  論文  参考訳（メタデータ） (2026-05-12T18:11:12Z)
• Physics-Informed Reinforcement Learning of Spatial Density Velocity Potentials for Map-Free Racing [73.88859384645264]
  Out-Of-Distribution (OOD) の様々なレーストラックへの一般化は、機械学習(ML)を用いて、エンドツーエンド制御のためのセンサデータと車両アクチュエーターの間の数学的関係を符号化する。 本稿では,非幾何学的,物理インフォームド報酬を用いた深度測定のスペクトル分布から非線形車両動特性をパラメータ化して,ニューラルネットワーク(ANN)による車両の時間最適・乗換レース制御を推定するDRL法を提案する。 このポリシーは、経験的なパセジカタイヤモデルに似たタイヤのダイナミックスで摩擦円を最大化することで、OODトラックの12%で人間のデモより優れています。
  論文  参考訳（メタデータ） (2026-04-10T17:12:07Z)
• VertiAdaptor: Online Kinodynamics Adaptation for Vertically Challenging Terrain [12.6823418300363]
  VertiAdaptor (VA)は、地形を考慮したキノダイナミックモデリングと計画のためのオンライン適応フレームワークである。 VAは、一連のニューラル常微分方程式基底関数によって広がるキノダイナミック空間を学習し、複雑な車両とテランの相互作用をキャプチャする。 VAは予測精度を最大23.9%改善し、適応時間を5倍速くする。
  論文  参考訳（メタデータ） (2026-03-06T21:08:19Z)
• FusionForce: End-to-end Differentiable Neural-Symbolic Layer for Trajectory Prediction [1.03590082373586]
  本稿では、カメラ画像やライダー点雲から、荒れたオフロード地形におけるロボットの軌道予測を行うエンド・ツー・エンドの微分可能モデルを提案する。 このモデルは、ロボットとテランの相互作用力を予測する学習可能なコンポーネントと、古典力学の法則を強制するニューラル・シンボリック・レイヤを統合する。
  論文  参考訳（メタデータ） (2025-02-14T13:36:00Z)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)
• Predicting Future Occupancy Grids in Dynamic Environment with Spatio-Temporal Learning [63.25627328308978]
  本稿では,将来の占有予測を生成するための時間的予測ネットワークパイプラインを提案する。 現在のSOTAと比較して、我々の手法は3秒の長い水平線での占有を予測している。 我々は、さらなる研究を支援するために、nulisに基づくグリッド占有データセットを公開します。
  論文  参考訳（メタデータ） (2022-05-06T13:45:32Z)
• ParkPredict: Motion and Intent Prediction of Vehicles in Parking Lots [65.33650222396078]
  我々は、駐車場環境を開発し、人間の駐車操作のデータセットを収集する。 本稿では,多モード長短期記憶(LSTM)予測モデルと畳み込みニューラルネットワークLSTM(CNN-LSTM)を物理ベースの拡張カルマンフィルタ(EKF)ベースラインと比較する。 以上の結果から,1) 意図をよく推定できる(LSTMとCNN-LSTMモデルによる約85% のトップ1精度と100% トップ3精度),2) 運転者の意図する駐車場所の知識が駐車軌跡の予測に大きく影響すること,3) 環境の意味的表現について考察した。
  論文  参考訳（メタデータ） (2020-04-21T20:46:32Z)

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。