論文の概要: Learning Event-based Obstacle Avoidance via Differentiable Simulation
- arxiv url: http://arxiv.org/abs/2610.38967v1
- Date: Wed, 28 Oct 2026 21:51:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-03 08:07:30.467064
- Title: Learning Event-based Obstacle Avoidance via Differentiable Simulation
- Title（参考訳）: 微分可能シミュレーションによるイベントベース障害物回避学習
- Abstract要約: イベントカメラはミリ秒以下のレイテンシ、高いダイナミックレンジ、無視可能な動きのぼかしを持つ。
我々は、トレーニングループ内でイベントを効率的にレンダリングし、差別化可能なシミュレーションパイプラインに統合するイベントシミュレータを開発した。
これにより、中間的な深さ推定なしで、イベントフレームを直接コマンドにマッピングするエンドツーエンドのポリシーをトレーニングできます。
我々は, 実世界のゼロショット配置によるアプローチの有効性を検証し, ドメトリアシストとドメトリフリーの両方で頑健な障害物回避を実現している。
- 参考スコア（独自算出の注目度）: 21.102145316912384
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Reliable obstacle avoidance is essential for safe quadrotor flight in unknown environments, yet conventional frame-based cameras remain challenged by motion blur, limited dynamic range, and latency under fast motion. Event cameras, with sub-millisecond latency, high dynamic range, and negligible motion blur, offer a promising alternative, but leveraging them for closed-loop control remains difficult. Existing approaches either adopt cascaded architectures that first estimate depth and then map it to control commands, introducing error propagation, or achieve end-to-end control through costly offline pretraining before online fine-tuning can even begin. We address these challenges with a CUDA-based event simulator that exploits GPU parallelism to render events efficiently within the training loop, integrated into a differentiable simulation pipeline that enables direct gradient backpropagation through the differentiable physics model, improving sample efficiency. This allows us to train an end-to-end policy that maps event frames directly to control commands, without intermediate depth estimation. We validate our approach through zero-shot real-world deployment on a quadrotor, achieving robust obstacle avoidance in both odometry-assisted and odometry-free settings, including under low-light conditions where conventional cameras typically fail.
- Abstract（参考訳）: 信頼性の高い障害物回避は、未知の環境での安全な四極子飛行には不可欠であるが、従来のフレームベースのカメラは、動きのぼやけ、ダイナミックレンジの制限、高速動作時の遅延といった問題に悩まされている。
イベントカメラは、ミリ秒以下のレイテンシ、高いダイナミックレンジ、無視可能なモーションぼかしを備え、有望な代替手段を提供するが、クローズドループ制御にそれらを活用することは依然として困難である。
既存のアプローチでは、まず深さを見積もるカスケードアーキテクチャを採用して、制御コマンドにマップするか、エラーの伝搬を導入するか、あるいはオンラインの微調整が始まる前に、オフラインで高価な事前トレーニングをすることでエンドツーエンドの制御を達成するかのいずれかだ。
我々は、CUDAベースのイベントシミュレータを用いて、GPU並列性を利用してトレーニングループ内でイベントを効率的にレンダリングし、微分可能なシミュレーションパイプラインに統合し、微分可能な物理モデルによる直接勾配バックプロパゲーションを可能にし、サンプル効率を向上させる。
これにより、中間的な深さ推定なしで、イベントフレームを直接コマンドにマッピングするエンドツーエンドのポリシーをトレーニングできます。
我々は,従来のカメラが通常失敗する低照度条件を含む,生体計測と非計測の両方で頑健な障害物回避を実現するため,実世界のゼロショット配置によるアプローチの有効性を検証した。
関連論文リスト
- MotionDLO: Hybrid Event- and Frame-Based Tracking of Deformable Linear Objects [0.0]
我々は、時間的連続性と遅延の制限を克服するために特別に設計されたリアルタイムトラッキングフレームワークであるMotionDLOを紹介した。
この手法は、イベントベースカメラの高時間分解能と空間性を利用して、コヒーレントポイントドリフト(CPD)アルゴリズムとセグメンテーションを組み合わせる。
提案フレームワークはビデオシーケンス間でDLOインスタンスを確実に関連付け,ロボット操作タスクに対する堅牢な認識を可能にすることを実証する。
論文 参考訳（メタデータ） (2026-08-23T12:53:13Z) - Nonlinear Model Predictive Control via Sequential Convex Programming for Drone-to-Drone Docking [0.0]
本研究は, ドッキングタスクを外乱状態が拡張された低次非線形モデルに基づいて, 有限水平最適制御問題として定式化する。
その結果, 動的に実現可能なドッキング軌道を生成するために, 後退水平フレームワーク内での逐次凸プログラミングを用いて問題を解く。
論文 参考訳（メタデータ） (2026-08-11T06:27:45Z) - A Task-Space Receding Horizon Controller for Fast Collision Avoidance [0.08594140167290099]
ロボットマニピュレータのリアルタイム衝突回避には、予期せぬ障害物運動に対する迅速な反応が必要である。
完全なモデル予測制御は、この展望を提供することができるが、オンラインコストは、水平線長、モデル忠実度、アクティブな幾何学的制約の数とともに急速に増大する可能性がある。
本稿では, 短時間の接触一貫性を持つロールアウトを用いて, 終端キネマティック参照を生成するタスクスペースリテーディング・ホライゾンコントローラを提案する。
論文 参考訳（メタデータ） (2026-07-17T08:13:12Z) - GeoStream: Toward Precise Camera Controlled Streaming Video Generation [85.01823220801256]
既存のアプローチはカメラの動きを暗黙的に学習し、アウト・オブ・ディストリビューション・トラジェクトリの下で不正確な制御をもたらす。
厳密な幾何学的条件付けにより制御性が向上するが、既存の手法は非自己回帰的である。
自動回帰ストリーミングビデオ生成における高精度なメカニカルカメラ制御を実現するフレームワークであるGeoStreamを提案する。
論文 参考訳（メタデータ） (2026-06-13T07:18:04Z) - Event-based SLAM Benchmark for High-Speed Maneuvers [68.148886127117]
イベントベースのカメラはバイオインスパイアされたセンサーで、独立して、マイクロ秒の解像度で明るさの変化に非同期に反応する。
既存のイベントベースのアプローチは、高速操作による動きのぼかしを緩和することに成功したが、多くの制限に悩まされた。
イベントベースの状態推定のためのベンチマークフレームワークであるEvSLAMを導入する。
論文 参考訳（メタデータ） (2026-04-27T04:36:41Z) - Simple but Stable, Fast and Safe: Achieve End-to-end Control by High-Fidelity Differentiable Simulation [14.322775509774246]
障害物回避(Obstacle avoidance)は、四重項が高度なアプリケーションを実行できるようにするための基本的な視覚ベースのタスクである。
本稿では,深度画像を直接低レベルのボディレートコマンドにマッピングする新しいエンドツーエンドポリシーを提案する。
その結果,提案手法は,最先端のベースラインの中で,最も成功率が高く,かつ最低であることがわかった。
論文 参考訳（メタデータ） (2026-04-12T09:38:00Z) - Vision-Guided MPPI for Agile Drone Racing: Navigating Arbitrary Gate Poses via Neural Signed Distance Fields [8.66703842496129]
ドローンレースには、極端なアジリティの下での認識、計画、制御の緊密な結合が必要です。
近年のアプローチは、事前計算された空間基準軌道や明示的な6-DoFゲートポーズ推定に依存している。
そこで我々は,任意の配置と配向ゲートを介して,参照不要のアジャイル飛行を可能にするビジョンガイド付き最適制御フレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-07T13:18:07Z) - GeoMotion: Rethinking Motion Segmentation via Latent 4D Geometry [61.24189040578178]
そこで本研究では,注目機構を介し,潜在特徴表現から移動対象を直接推論する完全学習型アプローチを提案する。
我々の重要な洞察は、明示的な対応推定を回避し、代わりに、モデルが暗黙的にオブジェクトとカメラの動きを歪めることを学ぶことである。
提案手法は,最先端の動作セグメンテーション性能を高い効率で達成する。
論文 参考訳（メタデータ） (2026-02-25T11:36:33Z) - DATAP-SfM: Dynamic-Aware Tracking Any Point for Robust Structure from Motion in the Wild [85.03973683867797]
本稿では,スムーズなカメラ軌跡を推定し,野生のカジュアルビデオのための高密度点雲を得るための,簡潔でエレガントでロバストなパイプラインを提案する。
提案手法は,複雑な動的課題シーンにおいても,カメラポーズ推定による最先端性能を実現する。
論文 参考訳（メタデータ） (2024-11-20T13:01:16Z) - DeNoising-MOT: Towards Multiple Object Tracking with Severe Occlusions [52.63323657077447]
DNMOTは、複数のオブジェクト追跡のためのエンドツーエンドのトレーニング可能なDeNoising Transformerである。
具体的には、トレーニング中にノイズを伴って軌道を拡大し、エンコーダ・デコーダアーキテクチャのデノイング過程をモデルに学習させる。
我々はMOT17,MOT20,DanceTrackのデータセットについて広範な実験を行い,実験結果から,提案手法が従来の最先端手法よりも明確なマージンで優れていることが示された。
論文 参考訳（メタデータ） (2023-09-09T04:40:01Z) - Asynchronous Optimisation for Event-based Visual Odometry [53.59879499700895]
イベントカメラは、低レイテンシと高ダイナミックレンジのために、ロボット知覚の新しい可能性を開く。
イベントベースビジュアル・オドメトリー(VO)に焦点をあてる
動作最適化のバックエンドとして非同期構造を提案する。
論文 参考訳（メタデータ） (2022-03-02T11:28:47Z)
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。