論文の概要: Learning Waypoints and Passage Events for Decentralized Multi-Quadrotor Trajectory Planning

• arxiv url: http://arxiv.org/abs/2610.25024v1
• Date: Sun, 18 Oct 2026 05:18:51 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:19:52.283759
• Title: Learning Waypoints and Passage Events for Decentralized Multi-Quadrotor Trajectory Planning
• Title（参考訳）: 分散型多要素軌道計画のための学習経路と通過事象
• Abstract要約: 複数クワッドロータ通過計画には、車両の動力学的およびアクティベーション制約の下での調整された空間経路と通過時間が必要である。 本研究では,独立に解決された四元数プランナに対して,空間的経路ポイントと順序付き通過イベントを予測する学習最適化フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 15.020235153879048
• License:
• Abstract: Multi-quadrotor passage planning requires coordinated spatial routes and passage times under vehicle dynamics and actuation constraints. Optimizing these decisions jointly couples temporal allocation, nonlinear motion, and inter-vehicle interactions, creating a computational challenge for local trajectory generation. We propose a learning-optimization framework that predicts spatial waypoints and ordered passage events for independently solved quadrotor planners. A common physical time grid aligns the vehicles, with intermediate events fixed by the networks and terminal progress optimized locally to permit different completion metrics. Differentiable sequential convex programming incorporates rigid-body dynamics and rotor-thrust bounds, allowing collision and completion gradients to train both networks through the generated trajectories. In a two-quadrotor evaluation across 24 layouts, the adapted policy passes physical feasibility and sampled separation checks in all five held-out layouts. Their mean completion metric decreases by 1.52% relative to the inherited policy. The median forward time is 21.01 ms on the held-out exchange layout with matching numerical trajectory references. These results demonstrate that learned spatial and event parameters can coordinate independent rigid-body planners while preserving local vehicle constraints in the evaluated scenarios.
• Abstract（参考訳）: 複数クワッドロータ通過計画には、車両の動力学的およびアクティベーション制約の下での調整された空間経路と通過時間が必要である。 これらの決定を最適化することは、時間割当、非線形運動、車間相互作用を結合させ、局所軌道生成のための計算的挑戦を生み出す。 本研究では,独立に解決された四元数プランナに対して,空間的経路ポイントと順序付き通過イベントを予測する学習最適化フレームワークを提案する。 一般的な物理時間グリッドは車両を並べ、中間イベントはネットワークによって固定され、端末の進捗は異なる完了メトリクスを許容するために局所的に最適化される。 異なるシーケンシャル凸プログラミングでは剛体力学とロータースラスト境界が組み込まれており、衝突や完了勾配が生成した軌道を介して両方のネットワークを訓練することができる。 24のレイアウトにまたがる2つのクアッドロータ評価において、適応されたポリシーは、物理的実現可能性と5つの保留レイアウトのサンプル分離チェックをパスする。 彼らの平均完成度は、継承された政策と比較して1.52%減少する。 中央の前方時間は21.01msであり、数値軌道基準が一致する。 これらの結果は,学習した空間的および事象的パラメータが,評価シナリオにおける局所的な車両制約を保ちながら,独立した剛体プランナーを調整できることを実証した。

関連論文リスト

• Trajectory Planning without Trajectory Data: A Manifold-Guided Approach [57.305915458910725]
  軌道計画の一般的な方法は、専門家軌道の大規模なコレクションで訓練された生成モデルを活用することである。 本稿では,基礎となる状態空間多様体を学習し,軌道計画に多様体の幾何学を用いる方法を提案する。 Maze2Dとロボットモーションプランニングのベンチマークの実験では、アリアドンは州のみの監督から実現可能な経路を構築している。
  論文  参考訳（メタデータ） (2026-10-05T20:51:54Z)
• 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)
• Collision-Free Velocity Scheduling for Multi-Agent Systems on Predefined Routes via Inexact-Projection ADMM [0.0]
  構造化マルチエージェントプロジェクトでは、エージェントは事前に定義されたルートをたどらなければならず、リルーチンや不可能となる。 本稿では,各エージェントの割り当てられた経路の順序と名前付き経路の割り当てを保ちながら,経路制約付きマルチエージェント協調に対処する。
  論文  参考訳（メタデータ） (2026-03-23T12:34:18Z)
• Amortizing Trajectory Diffusion with Keyed Drift Fields [2.5352713493505785]
  キード・ドリフト・ポリシーズ (Keyed Drifting Policies) は、ドリフトフィールドの目標で訓練された1ステップの軌道生成装置である。 生成されたトラジェクトリを条件マッチングされたデータセットウィンドウに反映する。 1ステップの推論で高い性能を達成し、拡散サンプリングよりも計画遅延を大幅に低減する。
  論文  参考訳（メタデータ） (2026-03-14T17:56:15Z)
• A Unified Experimental Architecture for Informative Path Planning: from Simulation to Deployment with GuadalPlanner [69.43049144653882]
  本稿では,車種別制御から高レベルの意思決定を分離する統一アーキテクチャを提案する。 提案アーキテクチャは、計画、センシング、車両実行の標準化されたインターフェースを定義するGuaralPlannerを通じて実現されている。
  論文  参考訳（メタデータ） (2026-02-11T10:02:31Z)
• Unifying Environment Perception and Route Choice Modeling for Trajectory Representation Learning [47.00223863430964]
  Tray Learning (TRL) は、低次元ベクトルに生の軌跡をエンコードすることを目的としており、旅行時間推定、位置予測、軌道類似性解析など様々な下流タスクに活用できる。 効率的なtextbfPRTrajectory表現学習のための時間的明示的textRoute選択モデルであるtextbfPRTrajを提案する。
  論文  参考訳（メタデータ） (2025-10-16T15:55:28Z)
• DiFSD: Ego-Centric Fully Sparse Paradigm with Uncertainty Denoising and Iterative Refinement for Efficient End-to-End Self-Driving [55.53171248839489]
  我々は、エンドツーエンドの自動運転のためのエゴ中心の完全スパースパラダイムであるDiFSDを提案する。 特に、DiFSDは主にスパース知覚、階層的相互作用、反復的な運動プランナーから構成される。 nuScenesとBench2Driveデータセットで実施された実験は、DiFSDの優れた計画性能と優れた効率を実証している。
  論文  参考訳（メタデータ） (2024-09-15T15:55:24Z)
• Pioneering SE(2)-Equivariant Trajectory Planning for Automated Driving [45.18582668677648]
  制御されたエゴ車両の軌道を計画することは、自動走行において重要な課題である。 本稿では,全車両に対して多モード共同予測を生成する軽量同変計画モデルを提案する。 また,車載GPSナビゲーションシステムによって提供される高水準経路に沿って,エゴ車両を誘導する等変経路アトラクションを提案する。
  論文  参考訳（メタデータ） (2024-03-17T18:53:46Z)
• An End-to-end Deep Reinforcement Learning Approach for the Long-term Short-term Planning on the Frenet Space [0.0]
  本稿では,自動運転車の意思決定と動作計画に向けた,エンドツーエンドの継続的強化学習手法を提案する。 初めて、Frenet空間上の状態と行動空間の両方を定義して、走行挙動を道路曲率に変化させないようにする。 このアルゴリズムは、フィードバックコントローラが追跡するFrenetフレーム上で連続時間軌道を生成する。
  論文  参考訳（メタデータ） (2020-11-26T02:40:07Z)
• A Generic Framework for Clustering Vehicle Motion Trajectories [4.125187280299247]
  5段階からなる効果的な非パラメトリック軌道クラスタリングフレームワークを提案する。 本稿では,注釈付き軌跡からなる実世界の挑戦的データセットについて,提案手法を検討・評価する。 我々は、GAN(Generative Adversarial Network)によって生成された合成データを用いて、実データセットの拡張を検証するためのフレームワークを拡張した。
  論文  参考訳（メタデータ） (2020-09-25T21:46:37Z)

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。