論文の概要: Planning under Noise with Neural Operators

• arxiv url: http://arxiv.org/abs/2610.28623v2
• Date: Wed, 21 Oct 2026 02:53:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.096088
• Title: Planning under Noise with Neural Operators
• Title（参考訳）: ニューラル演算子による騒音下における計画
• Abstract要約: 不確実な制御実行ノイズの下での計画には、多様な環境における信頼性の高いフィードバックポリシーが必要である。 本研究では,未知の測地における計画のための雑音認識値場を学習するニューラル演算子であるプランニング・アンダーノイズ(PUN)を紹介する。
• 参考スコア（独自算出の注目度）: 69.53338532337057
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Planning under uncertain control execution noise requires reliable feedback policies across diverse environments. We introduce Planning Under Noise (PUN), a neural operator that learns noise-aware value fields for planning in unseen geometries. Building on an established screened-Poisson formulation of stochastic optimal control, we address two challenges: specifying boundary conditions that support navigation across varying geometries and efficiently computing fields with reliable gradients. Zero-Dirichlet obstacle boundaries terminate sampled paths at walls, weakening the goal signal along long routes and making it harder to estimate reliably. We instead impose reflecting Neumann conditions on obstacles and a Dirichlet condition at the goal, allowing sampled paths to continue exploring free space until they reach the target. To solve the resulting PDE without a configuration-space mesh, we extend a Monte Carlo (MC) solver, Walk on Stars (WoSt), to higher dimensions. However, local MC fluctuations can reverse estimated gradient directions and cause planning failures, making direct planning require costly sampling. PUN amortizes this computation by learning geometry-to-field mappings from noisy, partially converged Monte Carlo labels, avoiding expensive convergence for every training example. At inference, test-time scaling uses bounded local search guided by the predicted global field. We evaluate PUN on planning tasks across dimensions. Across four noise levels, PUN matches or outperforms all compared planners, achieving 95-100% success on the 4D replanning benchmark while maintaining the lowest runtime. At the highest tested noise level in 4D, PUN achieves 10.7-60.6% relative gains in success rate over other methods while running 3.29-32.15 times faster.
• Abstract（参考訳）: 不確実な制御実行ノイズの下での計画には、多様な環境における信頼性の高いフィードバックポリシーが必要である。 本研究では,未知の測地における計画のための雑音認識値場を学習するニューラル演算子であるプランニング・アンダーノイズ(PUN)を紹介する。 確率的最適制御の確立されたスクリーニング・ポアソンの定式化に基づいて、様々な測地を横断するナビゲーションをサポートする境界条件の特定と、信頼性の高い勾配を持つフィールドの効率的な計算という2つの課題に対処する。 ゼロディリクレ障害境界は、壁のサンプルパスを終了し、長い経路に沿ってゴールシグナルを弱め、確実な推定を困難にする。 代わりに、ニューマン条件を障害に反映させ、ディリクレ条件を目標に課し、サンプルパスは目標に到達するまで自由空間を探索し続ける。 構成空間メッシュを使わずに結果のPDEを解決するために,モンテカルロ(MC)ソルバ,ウォーク・オン・スターズ(WoSt)を高次元に拡張する。 しかし、局所MC変動は推定勾配方向を逆転させ、計画失敗を引き起こす可能性があるため、直接計画にはコストがかかる。 PUNはこの計算を、ノイズ、部分的に収束したモンテカルロラベルから幾何-フィールドマッピングを学習し、トレーニングの例ごとに高価な収束を避けることで改善する。 推定では、テストタイムスケーリングは、予測されたグローバルフィールドによってガイドされる境界付きローカルサーチを使用する。 我々は、PUNを次元をまたいだ計画課題の評価を行う。 4つのノイズレベルにまたがって、PUNは全ての比較プランナーにマッチし、最低ランタイムを維持しながら、4Dリプランニングベンチマークで95-100%の成功を達成している。 PUNは4Dで最も高い試験音レベルにおいて、他の手法に比べて10.7-60.6%の成功率を達成し、また3.29-32.15倍の速度で動作している。

関連論文リスト

• Learning to Plan from Random Exploration [52.35271095559327]
  ランダム探索を用いて,目標が特定される前に,環境をどう移動させるかを示す。 実験では、状態と画像を用いたランダムな探索から長距離迷路計画を示す。 さらに、ランダムな探索からエゴセントリックなナビゲーションや、最適下データからの操作計画についても紹介する。
  論文  参考訳（メタデータ） (2026-09-29T18:38:49Z)
• Calibrated Uncertainty for Informative Path Planning in Aquatic Environmental Monitoring [68.82821445619759]
  本稿では,ガウス過程をよく校正されたディープ・アンサンブルに置き換えることで,経路計画の成果が向上するかどうかを考察する。 うまく校正された不確実性は、計画戦略の重要性を増幅する。
  論文  参考訳（メタデータ） (2026-09-28T08:23:13Z)
• Local Path Planning and Obstacle Avoidance for an Omnicopter Platform [5.329751638083761]
  本稿では,全方向マルチロータ(オムニコプタ)のためのリアルタイム局所計画と障害物回避モジュールを提案する。 本手法は, (i) 局所写像のボクセル化, (ii) 車両形状のコンパクトな球面近似, (iii) 6次元探索空間における適応速度サンプリングによるリアルタイム実現性を実現する。 我々は,計算応力試験,高密度ウェイポイント経路追跡,静的・未知の障害物シナリオのシミュレーションにおけるアプローチを評価する。
  論文  参考訳（メタデータ） (2026-09-03T10:25:14Z)
• TAPE: Tether-Aware Path Planning for Autonomous Exploration of Unknown 3D Cavities Using a Tangle-Compatible Tethered Aerial Robot [4.297070083645049]
  この手紙は、移動距離とテザリングの長さを最小化することに焦点を当てた、未知の空洞を3次元(3次元)で自律的に探査する最初の方法を示す。 テザーの絡み合いがグローバルパスの影響をほとんど受けていないことを考えると,本手法では2レベルの階層アーキテクチャを採用している。
  論文  参考訳（メタデータ） (2026-06-29T18:44:56Z)
• Critic-Free Deep Reinforcement Learning for Maritime Coverage Path Planning on Irregular Hexagonal Grids [1.2891210250935148]
  海上監視任務は、広大で幾何学的に複雑な領域におけるセンシング資産の効率的な配分に依存している。 伝統的なカバー・パス・プランニングアプローチは不規則な海岸線、島々、および排他的地域と戦っている。 本研究では,不規則海域の六角形格子表現においてCPPを解くための深層強化学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-30T12:56:38Z)
• ProAct: Agentic Lookahead in Interactive Environments [56.50613398808361]
  ProActは、2段階のトレーニングパラダイムを通じて、エージェントが正確なルックアヘッド推論を内部化することを可能にするフレームワークである。 そこでは,環境に基づく探索から得られたトラジェクトリの微調整をエージェントが行うGLAD(Grounded LookAhead Distillation)を紹介する。 また,政策段階のアルゴリズムを改良する補助値推定器であるモンテカルロ批判(MC-Critic)を提案する。
  論文  参考訳（メタデータ） (2026-02-05T05:45:16Z)
• Path Planning in a dynamic environment using Spherical Particle Swarm Optimization [0.0]
  本研究では, 球面ベクトルを用いた粒子群最適化技術を用いたUAV用動的パスプランナ(DPP)を提案する。 経路は、チェックポイントを再計画する一組の経路として構築されている。経路長、安全、姿勢、経路平滑性はすべて、最適な経路がどうあるべきかを決定する上で考慮される。 実際のデジタル標高モデルを用いて4つのテストシナリオが実施される。それぞれのテストは、SPSO-DPPが安全で効率的な経路セグメントを生成することができるかを示すために、パスの長さと安全性に異なる優先順位を与える。
  論文  参考訳（メタデータ） (2024-03-19T13:56:34Z)
• DDPEN: Trajectory Optimisation With Sub Goal Generation Model [70.36888514074022]
  本稿では,エスケープネットワークを用いた微分動的プログラミング(DDPEN)を提案する。 本稿では,環境の入力マップとして,所望の位置とともにコストマップの形で利用する深層モデルを提案する。 このモデルは、目標に導く可能性のある将来の方向を生成し、リアルタイムに実行可能なローカルなミニマを避ける。
  論文  参考訳（メタデータ） (2023-01-18T11:02:06Z)
• Multi-Agent Path Planning based on MPC and DDPG [14.793341914236166]
  モデル予測制御(MPC)とDeep Deterministic Policy Gradient(DDPG)を組み合わせた新しいアルゴリズムを提案する。 ddpg with continuous action spaceは、ロボットに学習と自律的な意思決定機能を提供するように設計されている。 航空母艦デッキや四角形などの不確定な環境でのシミュレーション実験にunity 3dを用いる。
  論文  参考訳（メタデータ） (2021-02-26T02:57:13Z)

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。