論文の概要: ProTrav: Probabilistic Traversability with Elevation Uncertainty Propagation for Risk-aware Off-road Navigation

• arxiv url: http://arxiv.org/abs/2610.30839v1
• Date: Thu, 22 Oct 2026 07:08:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.26692
• Title: ProTrav: Probabilistic Traversability with Elevation Uncertainty Propagation for Risk-aware Off-road Navigation
• Title（参考訳）: ProTrav: リスクを意識したオフロードナビゲーションのための標高不確実性伝搬による確率的トラバータビリティ
• Abstract要約: 最先端のアプローチは通常、決定論的地形の上昇からトラバーサビリティを評価する。 本稿では,関数空間サンプリングを用いた確率論的地形表現ProTravを提案する。 提案手法は、現実世界のオフロード地形を横断するロボット上で検証される。
• 参考スコア（独自算出の注目度）: 4.77264267621569
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reliable traversability estimation is essential for autonomous navigation on unstructured terrain. State-of-the-art approaches typically evaluate traversability from deterministic terrain elevation, thereby overlooking spatial correlations in the terrain and failing to account for how elevation uncertainty propagates through nonlinear traversability mappings. We propose ProTrav, a probabilistic terrain representation that uses function-space sampling to generate spatially correlated terrain realizations and propagate elevation uncertainty to traversability cost. First, a Sparse Variational Gaussian Process (SVGP) reconstructs a probabilistic elevation field from observations. Then, posterior function-space sampling generates spatially correlated terrain realizations, preserving spatial dependencies between neighboring locations while propagating elevation uncertainty through geometric features into traversability cost. Consequently, a distribution of traversability cost at arbitrary location is established, where the mean and standard deviation quantify the expected traversability cost and associated uncertainty, respectively. A risk term is defined by moment-based Upper Confidence Bound (UCB) and incorporated into a Model Predictive Path Integral (MPPI) controller for risk-aware navigation. Simulation experiments demonstrate navigation success rates exceeding 90\% on different terrains, compared with below 40\% for a baseline, while reducing attitude variations. Furthermore, the proposed approach is validated on a robot traversing real-world off-road terrain.
• Abstract（参考訳）: 非構造地形における自律航法には信頼性の高い走行性推定が不可欠である。 最先端のアプローチは典型的には、決定論的地形の標高からトラバーサビリティを評価し、それによって地形の空間的相関を見落とし、非線形トラバーサビリティマッピングによって、標高の不確実性がどのように伝播するかを考慮できない。 本稿では,関数空間サンプリングを用いた確率論的地形表現ProTravを提案する。 第一に、スパース変分ガウス過程(SVGP)は観測から確率的標高場を再構成する。 そして, 後方関数空間サンプリングにより空間的相関した地形認識が生成され, 近接する位置間の空間的依存関係を保ちながら, 幾何的特徴による標高の不確実性を伝播し, トラバーサビリティコストが増大する。 これにより、平均偏差と標準偏差がそれぞれ期待されるトラバーサビリティコストと関連する不確実性を定量化する、任意の位置におけるトラバーサビリティコストの分布が確立される。 リスク項は、モーメントベースのアッパー信頼境界(UCB)によって定義され、リスク認識ナビゲーションのためのモデル予測パス積分(MPPI)コントローラに組み込まれる。 シミュレーション実験では、異なる地形での航法成功率は90 %を超え、ベースラインでは40 %以下であり、姿勢の変化は減少する。 さらに,現実世界のオフロード地形を横断するロボットに対して,提案手法の有効性を検証した。

関連論文リスト

• COMPASS: Contextual Moment Prior Alignment for Generalizable AIGI Detection [87.91469665365304]
  一般化可能なAI生成画像(AIGI)とディープフェイク検出は、非対称性現象のため難しいままである。 最近の部分空間適応法は、残留部分空間を適応させながら高次主成分を凍結することによりこの問題を軽減する。 本稿では,小さなSemantic Proxy Setを用いて,ターゲットのアクティベーション統計を推定するデータ認識サブスペース適応フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-10-13T09:23:12Z)
• Estimating Semantic Ambiguity via Gaussian Context Distributions for VLM-Driven Traversability Analysis [14.31446990918297]
  本稿では、文脈の不確実性を明示的にモデル化した、視覚に基づくトラバーサビリティ推定のための新しいパイプラインを提案する。 提案手法では,概念アンチョリングを用いて,開語彙VLM予測を連続的物理的トラバーサビリティ尺度上に構築する。 分布の統計的性質に基づいて,高密度トラバーサビリティマップと高密度不確実性マップの両方を導出する。
  論文  参考訳（メタデータ） (2026-09-08T11:18:32Z)
• 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)
• Can Attribution Predict Risk? From Multi-View Attribution to Planning Risk Signals in End-to-End Autonomous Driving [51.726472686971896]
  エンド・ツー・エンドの自律運転モデルは、多視点入力から将来の軌跡を生成する。 既存の手法では、軌道生成の根底にある視覚的証拠を明らかにすることができない。 エンド・ツー・エンド・プランニングのための階層的属性・フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-07T13:38:18Z)
• Real-Time Stochastic Terrain Mapping and Processing for Autonomous Safe Landing [0.0]
  本稿では,新しいリアルタイムな惑星地形マッピングアルゴリズムを開発した。 サンプル点間の地形的不確実性や、スパース3次元測定による不確かさを考慮に入れている。
  論文  参考訳（メタデータ） (2024-09-14T05:12:14Z)
• EVORA: Deep Evidential Traversability Learning for Risk-Aware Off-Road Autonomy [34.19779754333234]
  本研究では,不確実性を考慮したトラクションモデルを学習し,リスクを考慮したトラジェクトリを計画するための統一的なフレームワークを提案する。 ネットワーク出力を用いてディリクレ分布をパラメータ化し、新しい不確実性を考慮した2乗地球モーバー距離損失を提案する。 我々のアプローチはシミュレーションや車輪付き四足歩行ロボットで広範囲に検証されている。
  論文  参考訳（メタデータ） (2023-11-10T18:49:53Z)
• Boosting 3-DoF Ground-to-Satellite Camera Localization Accuracy via Geometry-Guided Cross-View Transformer [66.82008165644892]
  地上レベルの画像と一致/検索衛星画像との相対的な回転と変換を推定することにより、地上カメラの位置と方向の精度を向上させる手法を提案する。 実験の結果,本手法は最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2023-07-16T11:52:27Z)
• Risk-aware Path Planning via Probabilistic Fusion of Traversability Prediction for Planetary Rovers on Heterogeneous Terrains [11.060425537315087]
  提案手法は, 誤ったトラバーサビリティ予測を明示的に考慮した新しい経路計画アルゴリズムを提案する。 提案手法は, 既存手法と比較して, 異質な地形上でより実現可能な経路を生成することができる。
  論文  参考訳（メタデータ） (2023-03-02T11:19:44Z)

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。