論文の概要: Learning Direct Control from Optimization for Dynamic Target Tracking

• arxiv url: http://arxiv.org/abs/2610.34929v1
• Date: Mon, 26 Oct 2026 06:55:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.777703
• Title: Learning Direct Control from Optimization for Dynamic Target Tracking
• Title（参考訳）: 動的目標追従のための最適化からの直接制御の学習
• Abstract要約: ダイナミックな目標追跡には、スムーズで実現可能なコントロールで障害物をナビゲートしながら、目標の視認性を維持するための移動ロボットが必要である。 オンライン軌道最適化はこれらの目的を符号化するが、繰り返し数値計算を必要とするが、ウェイポイントベースのニューラルポリシーは幾何学的予測を制御実行から切り離す。 直接制御ポリシのオフライン学習にトラッキング最適化を移行するフレームワークであるLECOを紹介する。
• 参考スコア（独自算出の注目度）: 47.0826228875078
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Dynamic target tracking requires a mobile robot to maintain target visibility while navigating obstacles with smooth, feasible controls. Online trajectory optimization explicitly encodes these objectives but requires repeated numerical solving, whereas waypoint-based neural policies separate geometric prediction from control execution. We introduce LECO, a framework that transfers tracking optimization into offline learning of a direct-control policy. LECO predicts control sequences and maps them to trajectories through a differentiable kinematic model, allowing trajectory-level objectives to directly guide control learning. A decaying expert-guidance curriculum initializes effective tracking behavior and progressively shifts learning toward these task objectives. At deployment, a predictive safety lock checks short-horizon obstacle clearance and invokes a classical planning and control fallback when the predicted motion is unsafe or the target prediction is invalid. Across three simulated obstacle densities, LECO reduces root-mean-square linear jerk by 14.1--31.2\% relative to the best competing method for this metric and achieves the highest tracking success rate, with per-cycle computation times of 4.25--5.63\,ms. Experiments on two robot platforms further demonstrate tracking through indoor narrow passages and outdoor forest environments. These results demonstrate that learning direct control from optimization enables smooth and robust dynamic target tracking.
• Abstract（参考訳）: ダイナミックな目標追跡には、スムーズで実現可能なコントロールで障害物をナビゲートしながら、目標の視認性を維持するための移動ロボットが必要である。 オンライン軌道最適化はこれらの目的を明示的に符号化するが、繰り返し数値計算を必要とするが、ウェイポイントベースのニューラルポリシーは幾何学的予測を制御実行から切り離す。 直接制御ポリシのオフライン学習にトラッキング最適化を移行するフレームワークであるLECOを紹介する。 LECOは制御シーケンスを予測し、異なるキネマティックモデルを通じてトラジェクトリにマップし、トラジェクトリレベルの目的が直接制御学習を導くことを可能にする。 崩壊する専門家指導カリキュラムは、効果的な追跡行動を初期化し、これらの課題目標に向けて学習を段階的にシフトさせる。 展開時には、予測安全ロックが短水平障害物クリアランスをチェックし、予測動作が安全でない場合や目標予測が無効の場合、古典的な計画と制御のフォールバックを起動する。 3つのシミュレーションされた障害物密度の中で、LECOはルート平均2乗線形ジャークを14.1～31.2%削減し、サイクル当たりの計算時間は4.25～5.63msである。 2つのロボットプラットフォームでの実験は、屋内の狭い通路と屋外の森林環境の追跡をさらに実証する。 これらの結果は、最適化から直接の学習が、スムーズでロバストな動的目標追跡を可能にすることを示す。

関連論文リスト

• Self-Adaptive Learning and Model Predictive Control for Tracking Unknown Dynamics with No Regret [21.1874838887222]
  本研究では,未知のターゲットダイナミクスを追跡するための制御手法として,自己適応型オンライン学習を提案する。 ターゲットダイナミクスは、特に、構造化された、ランダムな、または/または対向運動の混合物のスイッチング挙動を示すことができる。 提案手法は,スクラッチから,自己教師付き,ワンショット,計算効率のよい学習を通じて,複数の予測器を同時に学習する。
  論文  参考訳（メタデータ） (2026-07-29T01:07:28Z)
• MPPI-based Informative Trajectory Planning for Search and Capture of Drifting Targets with ASVs [0.8602553195689513]
  本稿では,ハイブリッド・プランニング・フレームワークを用いた漂流目標の探索と捕捉の問題に対処する。 プランナーは、長い水平線上の連続軌道を最適化することにより、運動レベルコマンドを直接生成する。 実験の結果、私たちのプランナーは選択した計画ベースラインよりも優れています。
  論文  参考訳（メタデータ） (2026-06-10T12:44:25Z)
• Motion Cues from Image-based Point Tracking for LiDAR Scene Flow Estimation [59.420015367586615]
  我々は、LiDARシーンフロー推定における動的オブジェクト表現を改善するための追跡誘導フレームワークであるTrackCueを紹介する。 特に、TrackCueは、ポイントトラッキングを再利用して、LiDARポイントに固定された高密度の画像空間軌跡を得る。 TrackCueは動的ラベルの精度とF1スコアを大幅に向上し、自己監督型シーンフロー推定の性能向上につながることを示す。
  論文  参考訳（メタデータ） (2026-05-16T10:28:54Z)
• DELTAv2: Accelerating Dense 3D Tracking [79.63990337419514]
  本稿では,ビデオ中の高密度3次元点追跡を高速化するための新しいアルゴリズムを提案する。 極小点の小さな部分集合で追跡を開始し、トラックされた軌道の集合を段階的に拡大する粗大な戦略を導入する。 新たに追加されたトラジェクトリは学習可能なモジュールを使用しており、トラッキングネットワークとともにエンドツーエンドでトレーニングされている。
  論文  参考訳（メタデータ） (2025-08-02T03:15:47Z)
• Open-World Drone Active Tracking with Goal-Centered Rewards [62.21394499788672]
  Drone Visual Active Trackingは、視覚的な観察に基づいてモーションシステムを制御することで、対象物を自律的に追跡することを目的としている。 DATは,世界初となるエア・ツー・グラウンド・トラッキング・ベンチマークである。 また,複雑なシナリオにおけるドローン追跡目標の性能向上を目的としたGC-VATを提案する。
  論文  参考訳（メタデータ） (2024-12-01T09:37:46Z)
• Biologically Inspired Swarm Dynamic Target Tracking and Obstacle Avoidance [0.0]
  本研究では、軍用分散ドローン群を用いた動的目標追跡のためのAI駆動飛行コンピュータを提案する。 コントローラはファジィインタフェース、素早い適応、予測能力、マルチエージェント問題解決を可能にするニューラルネットワークを統合する。
  論文  参考訳（メタデータ） (2024-10-15T03:47:09Z)
• RTracker: Recoverable Tracking via PN Tree Structured Memory [71.05904715104411]
  本稿では,木構造メモリを用いてトラッカーと検出器を動的に関連付け,自己回復を可能にするRTrackerを提案する。 具体的には,正負と負のターゲットサンプルを時系列に保存し,維持する正負のツリー構造メモリを提案する。 我々の中核となる考え方は、正と負の目標カテゴリーの支持サンプルを用いて、目標損失の信頼性評価のための相対的距離に基づく基準を確立することである。
  論文  参考訳（メタデータ） (2024-03-28T08:54:40Z)
• Predictive Linear Online Tracking for Unknown Targets [5.047136039782827]
  線形制御システムにおけるオンライントラッキングの問題について検討し,移動目標を追従することを目的とした。 予測線形オンライントラッキング(PLOT)と呼ばれる新しいアルゴリズムを提案する。 PLOTを実機に実装し,オープンソースソフトウェアを提供することにより,実機上でのオンライン制御手法の最初の成功例の1つを示す。
  論文  参考訳（メタデータ） (2024-02-15T15:59:59Z)

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。