Fugu-MT 論文翻訳(概要): TravSUITE: Traversability via Self-Supervised, Uncertainty-Aware IRL and Terrain Estimation

論文の概要: TravSUITE: Traversability via Self-Supervised, Uncertainty-Aware IRL and Terrain Estimation

arxiv url: http://arxiv.org/abs/2610.32130v1
Date: Fri, 23 Oct 2026 03:56:47 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-27 01:38:06.340317
Title: TravSUITE: Traversability via Self-Supervised, Uncertainty-Aware IRL and Terrain Estimation
Title（参考訳）: TravSUITE: 自己監視・不確実性認識IRLと地すべり推定によるトラバーサビリティ
Abstract要約: 本稿では,オフロード環境における高速ナビゲーションに適したトラバーサビリティシステムであるTravSUITEを提案する。 TravSUITEは,1)オンボードセンサデータのストリームからリッチな幾何学的セマンティックなローカルマップを構築する効率的なボクセルマッパー,2)鳥の視線(BEV)の可逆性関連量を共同で予測する統合ニューラルネットワークである。我々のトレーニング戦略は完全にアノテーションのない自己指導型であり、地図表現とトラバーサビリティの両方を学ぶために、地図塗装や逆強化学習(IRL)といったタスクを活用する。
参考スコア（独自算出の注目度）: 10.611154138679053
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Traversability analysis in off-road settings remains a fundamental challenge for mobile robots. Key difficulties include constructing an accurate and expressive local map from multimodal sensor data, and using the map to design traversability rules that yield desirable navigation behavior. Importantly, this system must be resilient to the limited sensing regime brought about by complex environments and high speeds. In this paper, we present TravSUITE, a traversability system suitable for high-speed navigation in off-road environments. TravSUITE consists of two major components: 1) an efficient voxel mapper that leverages visual foundation models (VFMs) to build a rich geometric-semantic local map from streams of on-board sensor data, and 2) a unified neural network that jointly predicts traversability-relevant quantities in bird's eye view (BEV), including geometry, semantics, speed and cost. Our training strategy is entirely annotation-free and self-supervised, leveraging tasks such as map inpainting and inverse reinforcement learning (IRL) to learn both map representations and traversability. We perform a thorough ablation study and comparison to state-of-the-art approaches, and the results indicate that cost learning and auxiliary inpainting each contribute significantly to planning quality, and their combination is critical for achieving state-of-the-art performance in off-road path planning. We also design a simple risk adaptation mechanism to leverage our method's uncertainty estimates at deploy-time, and demonstrate that a combination of inpainting and risk estimation can result in 80% fewer navigation errors and 5% faster autonomous traversal speeds in real-world hardware experiments.
Abstract（参考訳）: オフロード環境でのトラバーサビリティ分析は、モバイルロボットにとって依然として根本的な課題である。主な課題は、マルチモーダルセンサデータから正確で表現力のあるローカルマップの構築と、このマップを使用して、望ましいナビゲーション行動をもたらすトラバーサビリティルールを設計することである。重要なことに、このシステムは複雑な環境と高速によって引き起こされる限られたセンシング体制に回復しなくてはならない。本稿では,オフロード環境における高速ナビゲーションに適したトラバーサビリティシステムであるTravSUITEを提案する。 TravSUITEは2つの主要なコンポーネントから構成される。 1)ヴィジュアルファンデーションモデル(VFM)を利用した効率的なボクセルマッパーで、オンボードセンサーデータのストリームからリッチな幾何学的セマンティックなローカルマップを構築し、 2) 鳥の視線(BEV)の可視光量(幾何学,意味論,速度,コストなど)を共同で予測する統合ニューラルネットワーク。我々のトレーニング戦略は完全にアノテーションのない自己指導型であり、地図表現とトラバーサビリティの両方を学ぶために、地図塗装や逆強化学習(IRL)といったタスクを活用する。本研究は, 最先端手法との比較と徹底的なアブレーション研究を行い, コストラーニングと補助塗装が計画品質に大きく寄与し, その組み合わせがオフロード経路計画における最先端の達成に不可欠であることが示唆された。また,本手法の不確実性推定をデプロイ時に活用するための簡単なリスク適応機構を設計し,インペイントとリスク推定の組み合わせによって,現実のハードウェア実験において80%のナビゲーションエラーが減少し,5%の高速な自律走行速度が得られることを示した。

関連論文リスト

MOAR Planner: Multi-Objective and Adaptive Risk-Aware Path Planning for Infrastructure Inspection with a UAV [4.297070083645049]
本稿では,ミッション中のリスクの複雑化に対処するMOARパスプランナを提案する。安全、時間、エネルギーを同時に最適化しながら、リアルタイムな軌道適応を提供する。提案されたフレームワークは、UAVがより自律的で確実に重要なミッションをナビゲートできるようにすることで貢献する。
論文参考訳（メタデータ） (2026-06-29T17:18:02Z)
NaviFormer: A Deep Reinforcement Learning Transformer-like Model to Holistically Solve the Navigation Problem [53.70554593151033]
NaviFormerは、高レベル経路と低レベル軌道の両方を予測することによって、グローバルナビゲーション問題を解決する深層強化学習モデルである。結果は,各サブプロブレムの制約や難易度を理解することができるため,NaviFormerの競合精度を示す。計算速度が優れていることは、リアルタイムのミッションに適していることを証明している。
論文参考訳（メタデータ） (2026-04-18T11:32:34Z)
AutoFly: Vision-Language-Action Model for UAV Autonomous Navigation in the Wild [62.47761809929869]
視覚言語ナビゲーション(VLN)は、視覚的観察とともに言語指示を解釈することで、知的エージェントが環境をナビゲートする必要がある。無人航空機(UAV)の現在のVLN研究は、所定のルートに沿ってUAVを誘導するための詳細な指示に依存している。本稿では,自律型UAVナビゲーションのためのエンド・ツー・エンドのビジョン・ランゲージ・アクションモデルであるAutoFlyを提案する。
論文参考訳（メタデータ） (2026-02-10T11:08:07Z)
Bayesian-Driven Graph Reasoning for Active Radio Map Construction [96.08082552413117]
本稿では,経路ナビゲーションに適したグラフベースの推論を明示的に活用する不確実性を考慮した無線地図再構成フレームワークを提案する。提案手法は,(1)空間的不確実性をリアルタイムで推定するベイズニューラルネットワーク,(2)グローバル推論を行う注意に基づく強化学習ポリシの2つの重要な深層学習要素を統合した。実験の結果,URAMは既存のベースラインよりも最大で34%の精度で復元できることがわかった。
論文参考訳（メタデータ） (2025-07-29T03:32:01Z)
NOVA: Navigation via Object-Centric Visual Autonomy for High-Speed Target Tracking in Unstructured GPS-Denied Environments [56.35569661650558]
我々はNOVAというオブジェクト中心のフレームワークを導入し、ロバストな目標追跡と衝突認識ナビゲーションを可能にした。グローバルマップを構築するのではなく、NOVAはターゲットの参照フレーム内での知覚、推定、制御を定式化する。我々は,都市迷路や森林の小道,間欠的なGPS損失を伴う建物内の繰り返し遷移など,現実の挑戦的なシナリオにまたがってNOVAを検証する。
論文参考訳（メタデータ） (2025-06-23T14:28:30Z)
V2X-UniPool: Unifying Multimodal Perception and Knowledge Reasoning for Autonomous Driving [25.783789125870523]
V2X-UniPoolは、知識駆動型ADのための言語ベースの推論とV2X知覚を統一するフレームワークである。マルチモーダルなV2Xデータを構造化された言語ベースの知識に変換し、時間的に一貫した推論のためにタイムインデックスの知識プールに編成し、リアルタイムな文脈で決定を下すためにRetrieval-Augmented Generation(RAG)を使用する。
論文参考訳（メタデータ） (2025-06-03T08:00:57Z)
Pixel to Elevation: Learning to Predict Elevation Maps at Long Range using Images for Autonomous Offroad Navigation [10.898724668444125]
本稿では,車載エゴセントリック画像のみをリアルタイムに利用して,長距離の地形標高マップを予測できる学習型アプローチを提案する。複雑で非構造的な地形における自律型オフロードロボットナビゲーションへの提案手法の適用性を実験的に検証した。
論文参考訳（メタデータ） (2024-01-30T22:37:24Z)
Risk-Aware Off-Road Navigation via a Learned Speed Distribution Map [39.54575497596679]
本研究は,データから学習可能なロボットの速度のみに基づく,トラバーサビリティの新たな表現を提案する。提案アルゴリズムは,ロボットが達成できる速度の分布を,環境セマンティクスと命令された速度に基づいて予測する。数値シミュレーションにより,提案したリスク認識計画アルゴリズムが平均目標達成時間を短縮することを示した。
論文参考訳（メタデータ） (2022-03-25T03:08:02Z)

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。