論文の概要: Optimal Path Planning with Localization constraints

• arxiv url: http://arxiv.org/abs/2610.40429v1
• Date: Thu, 29 Oct 2026 16:51:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 07:13:21.166797
• Title: Optimal Path Planning with Localization constraints
• Title（参考訳）: 局所制約を考慮した最適経路計画法
• Abstract要約: 本稿ではGPS信号がない地域でのUAV経路計画について検討する。 ゴールは、与えられた境界内に見積もりの不確実性を保ちながら、スタートからゴール地点までの最も短い経路を見つけることである。 本稿では,不確実性を探索中の制約として扱う局所化制約付きA*プランナを提案する。
• 参考スコア（独自算出の注目度）: 1.7523719472700858
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper studies UAV path planning in areas where GPS signals are not present. Because these drones can easily get lost when they don't have GPS, they must rely on dead reckoning and occasionally pass near cellular towers, which act as landmarks to reset and fix their position. The goal is to find the shortest path from a start to a goal location while keeping the estimation uncertainty within a given bound. To solve this problem, we propose a localization-constrained A* planner that treats uncertainty as a hard constraint during search. The robot state and covariance are propagated using an Extended Kalman Filter (EKF), and only paths that satisfy the covariance limit are considered. We also show that the proposed method does not affect heuristic used in A* and remains admissible and consistent, ensuring optimality among all feasible paths. Extensive Monte Carlo simulations and PyBullet quadrotor test show that the proposed method finds shorter and more reliable paths compared to RRT* and PRM, while always satisfying the uncertainty constraint.
• Abstract（参考訳）: 本稿ではGPS信号がない地域でのUAV経路計画について検討する。 これらのドローンはGPSがないと簡単に紛失してしまうので、致命的なレコメンデーションに頼らなくてはならず、時にはセルラータワー近くを通過して、位置をリセットして固定するためのランドマークとして機能します。 ゴールは、与えられた境界内に見積もりの不確実性を保ちながら、スタートからゴール地点までの最も短い経路を見つけることである。 この問題を解決するために,探索中の不確実性をハード制約として扱う局所化制約付きA*プランナを提案する。 ロボットの状態と共分散は拡張カルマンフィルタ(EKF)を用いて伝播され、共分散限界を満たす経路のみが考慮される。 また,提案手法はA*で使用されるヒューリスティックに影響を与えず,許容性と一貫性を保ち,すべての実現可能な経路の最適性を保証する。 モンテカルロシミュレーションとPyBullet乗算器実験により,不確実性制約を常に満たしつつ,提案手法はRT* や PRM よりも短く,信頼性の高い経路が見つかることを示した。

関連論文リスト

• Planning under Noise with Neural Operators [69.53338532337057]
  不確実な制御実行ノイズの下での計画には、多様な環境における信頼性の高いフィードバックポリシーが必要である。 本研究では,未知の測地における計画のための雑音認識値場を学習するニューラル演算子であるプランニング・アンダーノイズ(PUN)を紹介する。
  論文  参考訳（メタデータ） (2026-10-20T17:58:30Z)
• All Roads Lead to Rome: Flow-driven Multi-Anchor Exploration for Open-Environment Active 3D Mapping [54.90158288791037]
  Open-Environment Active 3D Mappingは、見えないシナリオを再構築するために、長い水平かつ最も短い軌道探索を行うことを目的としている。 本研究では,フローマッチングを用いた条件付きマルチモーダルアンカー生成として,長距離目標予測を再構成する。 オープン環境における一般化と再構築の効率化を図る。
  論文  参考訳（メタデータ） (2026-09-29T07:20:32Z)
• Calibrated Uncertainty for Informative Path Planning in Aquatic Environmental Monitoring [68.82821445619759]
  本稿では,ガウス過程をよく校正されたディープ・アンサンブルに置き換えることで,経路計画の成果が向上するかどうかを考察する。 うまく校正された不確実性は、計画戦略の重要性を増幅する。
  論文  参考訳（メタデータ） (2026-09-28T08:23:13Z)
• 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)
• Active Timepoint Selection for Learning Measure-Valued Trajectories [55.49809248697036]
  スナップショットから連続確率パスを推定することは、単細胞生物学のような領域における根本的な課題である。 スパース測度空間にアクティブな実験を拡張するフレームワークを導入する。 これにより、不確実性を最小限に抑えるために測定時間を反復的に選択する取得ポリシーが得られる。
  論文  参考訳（メタデータ） (2026-05-28T22:22:35Z)
• Informative Path Planning with Guaranteed Estimation Uncertainty [7.2097330104931325]
  環境モニタリング予算ロボットは、厳密な距離とエネルギー制約の下で空間場を再構築する必要がある。 提案手法は,移動経路下でのセンサ位置選択と共同選択・引き抜き問題に対して,精度の高い近似保証付き手法を提案する。 実世界のデータを用いた実験では、より少ないセンシング位置と短い移動距離を用いて、プランナーが不確実な目標に到達していることが示されている。
  論文  参考訳（メタデータ） (2026-02-05T01:51:38Z)
• RPT*: Global Planning with Probabilistic Terminals for Target Search in Complex Environments [24.363288778774404]
  本稿では,HPP-PT(Probabilistic Terminals)を用いた変種HPPについて検討する。 HPP-PTは対象物探索において発生し、移動ロボットは対象物を見つけるためにすべての候補地を訪れなければならない。 我々は,新しい状態空間における動的プログラミングを活用して,履歴依存やノベルをバイパスし,計算速度を向上する解の最適性保証を備えた検索ベースアプローチRTT*を提案する。
  論文  参考訳（メタデータ） (2026-01-19T03:55:35Z)
• Policy Gradient for Continuing Tasks in Non-stationary Markov Decision Processes [112.38662246621969]
  強化学習は、マルコフ決定プロセスにおいて期待される累積報酬を最大化するポリシーを見つけることの問題を考える。 我々は、ポリシーを更新するために上昇方向として使用する値関数の偏りのないナビゲーション勾配を計算する。 ポリシー勾配型アルゴリズムの大きな欠点は、定常性の仮定が課せられない限り、それらがエピソジックなタスクに限定されていることである。
  論文  参考訳（メタデータ） (2020-10-16T15:15:42Z)

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。