論文の概要: Don't Risk It!: Trajectory-Conditioned Distributional Risk for LiDAR-Only Crowd Navigation

• arxiv url: http://arxiv.org/abs/2610.40050v1
• Date: Thu, 29 Oct 2026 13:45:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 08:27:03.087992
• Title: Don't Risk It!: Trajectory-Conditioned Distributional Risk for LiDAR-Only Crowd Navigation
• Title（参考訳）: 危険を冒すな!:LiDAR専用群集ナビゲーションにおける軌道依存型分布リスク
• Abstract要約: Don't Risk It Planner (DRIP)カップルは、軌道条件付きクリアランスと不確実性推定で占有率を予測する。 DRIPは、衝突が少ないほど成功率が高く、最先端のベースラインに比べて凍結挙動が低下する。
• 参考スコア（独自算出の注目度）: 9.163798284841695
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Efficient crowd navigation requires anticipating dynamic collision-free space without relying on fragile object tracking. We propose the Don't Risk It Planner (DRIP), an end-to-end LiDAR-only planning framework that couples occupancy forecasting with trajectory-conditioned clearance and uncertainty estimation. Operating directly on LiDAR-derived occupancy grid histories, DRIP predicts a distribution over minimum robot-obstacle clearance for candidate control sequences to evaluate collision risk. The model is trained using a risk cost that grounds predictive uncertainty directly in empirical collision outcomes rather than geometric regression alone. In closed-loop experiments with up to 45 pedestrians, DRIP achieves higher success rates with fewer collisions and reduced freezing behavior compared to state-of-the-art baselines.
• Abstract（参考訳）: 効率的な群集ナビゲーションには、脆弱な物体追跡に頼ることなく、動的衝突のない空間を予測する必要がある。 我々は、軌道条件付きクリアランスと不確実性推定を併用した、エンド・ツー・エンドのLiDARのみの計画フレームワークであるDon't Risk It Planner (DRIP)を提案する。 DRIPは、LiDAR由来の占有グリッド履歴を直接操作し、衝突リスクを評価するために、候補制御シーケンスに対する最小のロボット障害物クリアランスの分布を予測する。 このモデルは、幾何学的回帰のみではなく、経験的衝突の結果に直接予測の不確実性をもたらすリスクコストを用いて訓練される。 最大45人の歩行者によるクローズドループ実験では、DRIPは衝突が少ないほど高い成功率を達成し、最先端のベースラインに比べて凍結挙動を低下させる。

関連論文リスト

• Adaptive Risk-Certified Event-Triggered Replanning for Dynamic Navigation [3.2334188372270654]
  本稿では,早期警戒信号としてキャリブレーションされたバリアリスクを利用するフレームワークを提案する。 CERT-Replanは、地平線を挿入した障害物予測残差をオンラインに校正し、結果として生じる不確実な半径を用いて、動的障害物の安全性マージンを評価する。 非定常ベンチマークでは、CERT-Replanは、安全フィルタのみのベースラインのテキストカラーブラックランドa(77.8%)に対する衝突の減少を、簡単なリプラントリガと比較して達成し、平均的な安全フィルタ介入を減少させる。
  論文  参考訳（メタデータ） (2026-10-07T02:02:06Z)
• Risk-Sensitive Crowd Navigation with Adaptive Ellipsoidal Conformal Prediction [13.616760521657193]
  本稿では、異方性共形楕円体を用いて、構造的予測の不確かさを条件付き値-リスク信号に変換するリスク認識ナビゲーションフレームワークを提案する。 本研究では,歩行者行動パターンの変化に伴う分布内設定と分布外設定の両方で提案手法を評価する。
  論文  参考訳（メタデータ） (2026-10-05T22:40:35Z)
• GroundControl: Anticipating Navigation Failures in Vision-Language Agents via Trajectory-Consistent Uncertainty Estimates [3.7267095596919053]
  視覚言語ナビゲーションエージェントは、ベンチマークタスクで平均的な競合的な成功を達成するが、予測可能な軌道レベルのブレークダウンによって失敗が発生することが多い。 信頼性の高いデプロイメントには、即時的なアクションエントロピーのみを反映するのではなく、実行中に発生する障害のダイナミクスを予測する不確実性信号が必要である。 本稿では,各エピソードに集約された目標方向距離-ゴール間距離の統計的偏差として定義される軌道整合不確実性推定器であるemphGroundControlを紹介する。
  論文  参考訳（メタデータ） (2026-06-18T16:56:20Z)
• RCSP: Risk-Sensitive Conjectural Scenario Planning for Safe Dynamic Robot Navigation [16.960126375377133]
  リスク感性行動シナリオ計画(RCSP)は、予測可能な短水平障害物の将来に対する候補命令を評価する計画層である。 制御された MuJoCo ボトルネックタスクでは、RCSP プランナーは衝突することなく目標を達成することができ、より高い二次安全性とパス品質の点推定が得られる。
  論文  参考訳（メタデータ） (2026-05-25T21:47:36Z)
• Action-Conditioned Risk Gating for Safety-Critical Control under Partial Observability [79.08785366532287]
  部分観測可能性下でのリスク感応制御のための軽量なリスクゲート強化学習近似を提案する。 安全クリティカルな部分観測可能な2つの領域 – 自動グルコース調節と安全制約ナビゲーション – でアプローチを評価した。
  論文  参考訳（メタデータ） (2026-05-14T01:23:09Z)
• RiskProp: Collision-Anchored Self-Supervised Risk Propagation for Early Accident Anticipation [16.390547433087185]
  事故予測は、ダッシュカムビデオからの差し迫った衝突を予測し、早期警報を発生させることを目的としている。 既存の手法は、手動で注釈付けされた「アノマリー・オンセット」フレームによるバイナリ・インスペクションに依存している。 本稿では,早期の事故予測のための自己監督型リスク伝搬パラダイムであるリスクプロップを提案する。
  論文  参考訳（メタデータ） (2026-03-28T07:04:16Z)
• Risk-Aware World Model Predictive Control for Generalizable End-to-End Autonomous Driving [82.69496624372944]
  「専門家のように運転するのが普通」は限定的な一般化に苦しむ。 E2E-ADシステムは専門家の行動監督なしに信頼できる判断を下せるか? 本稿では,リスクを意識した世界モデル予測制御という統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-26T17:32:30Z)
• ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
  ResADは正規化された残留軌道モデリングフレームワークである。 学習タスクを再編成し、慣性参照からの残留偏差を予測する。 NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
  論文  参考訳（メタデータ） (2025-10-09T17:59:36Z)
• Hydra-NeXt: Robust Closed-Loop Driving with Open-Loop Training [64.16445087751039]
  Hydra-NeXtは、軌道予測、制御予測、軌道修正ネットワークを一つのモデルに統合する、新しいマルチブランチ計画フレームワークである。 Hydra-NeXt は22.98 DS と 17.49 SR を上回り、自動運転の大幅な進歩を示している。
  論文  参考訳（メタデータ） (2025-03-15T07:42:27Z)
• Safe Deployment for Counterfactual Learning to Rank with Exposure-Based Risk Minimization [63.93275508300137]
  本稿では,安全な配置を理論的に保証する新たなリスク認識型対実学習ランク法を提案する。 提案手法の有効性を実験的に検証し,データが少ない場合の動作不良の早期回避に有効であることを示す。
  論文  参考訳（メタデータ） (2023-04-26T15:54:23Z)

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。