論文の概要: Extended LASMP: Language Aided Subset Sampling Based Motion Planner for Drone Navigation

• arxiv url: http://arxiv.org/abs/2610.34054v1
• Date: Sun, 25 Oct 2026 04:30:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.526786
• Title: Extended LASMP: Language Aided Subset Sampling Based Motion Planner for Drone Navigation
• Title（参考訳）: 拡張LASMP:ドローンナビゲーションのための言語支援サブセットサンプリングに基づくモーションプランナ
• Abstract要約: 本稿では,Language-Aided Subset Sampling Motion Plannerにヒントを得て,コマンド認識サブセットサンプリングを航空システムに拡張する。 サブセットサンプリングはコマンド整列領域に一般化され、構造化された3D探索を可能にする。 自然言語命令は、ヨーコンディショニングと高度対応の幾何学的制約に基礎を置いている。
• 参考スコア（独自算出の注目度）: 0.20999222360659606
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper proposes a command-aligned sampling distribution that incorporates navigation commands directly into the exploration process to improve the efficiency of sampling-based motion planning for quadcopters in three-dimensional environments. Inspired by the Language-Aided Subset Sampling Motion Planner, this paper extends command-aware subset sampling to aerial systems. Subset sampling is generalized to command-aligned regions, enabling structured 3D exploration while preserving probabilistic completeness. Natural language instructions are grounded into yaw-conditioned and altitude-aware geometric constraints using a prompt-based large language model for entity extraction and instruction validation. Extensive simulations in complex environments demonstrate that the proposed method generates collision-free, consistent trajectories while significantly reducing sampling effort compared to uniform RRT-based planners.
• Abstract（参考訳）: 本稿では,3次元環境におけるクワッドコプターのサンプリングベース動作計画の効率化を図るために,ナビゲーションコマンドを直接探索プロセスに組み込むコマンド整列サンプリング分布を提案する。 本稿では,Language-Aided Subset Sampling Motion Plannerにヒントを得て,コマンド認識サブセットサンプリングを航空システムに拡張する。 サブセットサンプリングはコマンド整列領域に一般化され、確率的完全性を維持しながら構造化された3D探索を可能にする。 自然言語命令は、エンティティ抽出と命令検証のためのプロンプトベースの大規模言語モデルを用いて、ユウ条件付きおよび高度対応の幾何学的制約に基礎を置いている。 複雑な環境下での過度なシミュレーションにより, 衝突のない一貫した軌道を生成できる一方で, 均一なRTRプランナに比べてサンプリングの労力を大幅に削減できることを示した。

関連論文リスト

• VLM-MPPI: Grounding Natural Language in Behaviorally Diverse Trajectories for Aerial Navigation [11.589115261583641]
  自然言語の意図を動的に実現可能な飛行行動と整合させる階層型UAVナビゲーションフレームワークを提案する。 我々は6つの行動条件付きモデル予測経路積分(MPPI)プランナーの並列アンサンブルを用いる。 シミュレーションと実世界の飛行の両方の実験では、VLMレイテンシにもかかわらず意味論的に意味のある振る舞いの多様性、堅牢な言語アライメントが示されている。
  論文  参考訳（メタデータ） (2026-09-16T10:44:10Z)
• Explore From Sketch: Accelerating UAV Exploration in Large-scale Environments with Prior Maps [20.559950853029]
  本稿では,LiDARをベースとしたUAV探査において,スパース,アンアライメント,さらには2次元事前地図の離散化を生かした新しい探索フレームワークを提案する。 ベンチマーク評価では、探査効率が34.2%向上し、飛行距離が37.9%減少した。
  論文  参考訳（メタデータ） (2026-06-10T06:30:29Z)
• CoFL: Continuous Flow Fields for Language-Conditioned Navigation [14.35468089349405]
  CoFLは、鳥眼ビュー(BEV)観察と言語指導をナビゲーションのための連続フローフィールドにマッピングするエンドツーエンドのポリシーである。 混合分布の訓練により、CoFLはモジュラービジョン・ランゲージ・モデル(VLM)ベースのプランナーよりも大幅に優れている。
  論文  参考訳（メタデータ） (2026-03-03T11:02:55Z)
• PLANA3R: Zero-shot Metric Planar 3D Reconstruction via Feed-Forward Planar Splatting [56.188624157291024]
  提案するPLANA3Rは,提案しない2次元画像から平面3次元再構成を計測するためのポーズレスフレームワークである。 トレーニング中に3次元平面アノテーションを必要とする以前のフィードフォワード法とは異なり、PLANA3Rは明確な平面監督なしで平面3次元構造を学習する。 本研究は,複数の室内環境データセットに対するPLANA3Rの有効性を検証するとともに,領域外屋内環境への強力な一般化を実証する。
  論文  参考訳（メタデータ） (2025-10-21T15:15:33Z)
• Search-Based Robot Motion Planning With Distance-Based Adaptive Motion Primitives [1.8874301050354767]
  本研究では,サンプリングベースと探索ベースを組み合わせたロボットマニピュレータの動作計画アルゴリズムを提案する。 提案手法の中核となる貢献は、適応運動プリミティブとして自由構成空間(C空間)のバーの利用である。 以上の結果から, bur-based アプローチは複雑なシナリオにおいて, 固定原始的計画よりも優れていることが示された。
  論文  参考訳（メタデータ） (2025-07-01T21:33:33Z)
• LASMP: Language Aided Subset Sampling Based Motion Planner [2.2120851074630177]
  Language Aided Subset Sampling Based Motion Planner (LASMP)は、自然言語による動作計画を支援する。 LASMPはRapidly Exploring Random Tree (RRT) メソッドの修正版を使用している。 従来のRT法と比較して、LASMPは必要なノード数を55%削減し、ランダムなサンプルクエリを80%削減し、安全で衝突のないパスを生成する。
  論文  参考訳（メタデータ） (2024-10-01T13:03:15Z)
• OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
  学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。 OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。 最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
  論文  参考訳（メタデータ） (2024-09-14T07:44:22Z)
• OccNeRF: Advancing 3D Occupancy Prediction in LiDAR-Free Environments [77.0399450848749]
  本稿では,OccNeRF法を用いて,3次元監視なしで占有ネットワークを訓練する手法を提案する。 我々は、再構成された占有領域をパラメータ化し、サンプリング戦略を再編成し、カメラの無限知覚範囲に合わせる。 意味的占有予測のために,事前学習した開語彙2Dセグメンテーションモデルの出力をフィルタリングし,プロンプトを洗練するためのいくつかの戦略を設計する。
  論文  参考訳（メタデータ） (2023-12-14T18:58:52Z)
• MV-JAR: Masked Voxel Jigsaw and Reconstruction for LiDAR-Based Self-Supervised Pre-Training [58.07391711548269]
  Masked Voxel Jigsaw and Reconstruction (MV-JAR) method for LiDAR-based self-supervised pre-training Masked Voxel Jigsaw and Reconstruction (MV-JAR) method for LiDAR-based self-supervised pre-training
  論文  参考訳（メタデータ） (2023-03-23T17:59:02Z)
• Deep Shells: Unsupervised Shape Correspondence with Optimal Transport [52.646396621449]
  本稿では,3次元形状対応のための教師なし学習手法を提案する。 提案手法は,複数のデータセット上での最先端技術よりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2020-10-28T22:24:07Z)

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。