論文の概要: Disturbance-Aware Informative Planning in Spatiotemporal Environments
- arxiv url: http://arxiv.org/abs/2611.18505v1
- Date: Fri, 13 Nov 2026 18:22:50 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-11-16 19:28:05.158366
- Title: Disturbance-Aware Informative Planning in Spatiotemporal Environments
- Title(参考訳): 時空間環境における外乱を考慮したインフォーマティブプランニング
- Abstract要約: 本稿では,未知,空間的変化,時間不変な乱に対する2段階情報計画手法を提案する。
まず、QoI測定が必要な場所を特定し、環境を用いてこれらの場所への代替経路を生成する。
次に、これらの経路に沿った不確実性の低減を期待して、外乱測定を優先順位付けする。
- 参考スコア(独自算出の注目度): 8.864005083127317
- License:
- Abstract: Autonomous robots are widely used for persistent monitoring of spatiotemporal environments, where quantities of interest (QoI) change across space and time and require repeated measurements. In practice, robot motion can be affected by external disturbances that vary across the environment. When such external disturbances are not considered in trajectory optimization, it can lead to inaccurate predictions of robot motion and, consequently, the information acquired about the QoI during execution. However, estimating disturbances throughout the environment can be inefficient, as disturbances in regions with little overlap with monitoring trajectories have limited impact on monitoring performance. We therefore propose a two-stage informative planning framework for unknown, spatially varying but time-invariant disturbances, combining informed disturbance sampling with disturbance-aware trajectory optimization. First, we identify where QoI measurements are needed and generate alternative paths to these locations using the environment geometry. We then prioritize disturbance measurements based on their expected reduction of disturbance uncertainty along these paths. Second, rather than optimizing information acquisition based on nominal robot motion, we incorporate the learned disturbance belief into trajectory optimization to account for its effects on robot motion and information acquisition. Across four simulation scenarios, the proposed method reduces disturbance-learning time by 25.0--52.3 percent compared with environment-wide estimation and identifies paths that appear costly under nominal dynamics but become preferable when disturbances are considered.
- Abstract(参考訳): 自律型ロボットは時空間環境の持続的な監視に広く用いられており、空間と時間にわたって関心の量(QoI)が変化し、繰り返し測定を必要とする。
実際には、ロボットの動きは環境によって異なる外部の障害によって影響を受ける可能性がある。
このような外乱が軌道最適化では考慮されない場合、ロボットの動きの不正確な予測につながる可能性があるため、実行中に取得したQoIに関する情報が得られる。
しかし, モニタリングトラジェクトリとほとんど重複しない地域での障害は, 監視性能に限られた影響を及ぼすため, 環境全体の障害を推定することは非効率である。
そこで本研究では,未知,空間的変化,時間的不変な外乱に対する2段階的情報計画手法を提案し,外乱を考慮した軌道最適化とインフォメーション・外乱サンプリングを組み合わせた。
まず、QoI測定が必要な場所を特定し、環境幾何学を用いてこれらの場所の代替経路を生成する。
次に、これらの経路に沿った乱れの不確実性の低減を期待して、乱れ測定を優先順位付けする。
第二に、名目ロボットの動きに基づく情報取得を最適化するのではなく、学習された外乱の信念を軌道最適化に組み込んで、ロボットの動きと情報取得に与える影響を考察する。
提案手法は,4つのシミュレーションシナリオにおいて,環境全体の推定と比較して,外乱学習時間を25.0~52.3%削減し,外乱を考慮した場合,コストがかかるが,外乱を考慮した場合には好ましくない経路を同定する。
関連論文リスト
- JPPD: Joint Prediction_Planning Diffusion with Differentiable Safety Guidance for Dynamic Obstacle Avoidance in Intelligent Transportation Systems [1.9236465591431287]
本稿では,単条件軌道生成問題として参加者予測とロボット計画を扱う共同予測計画拡散フレームワークを提案する。
シナリオグラウンドシミュレーション、自然主義的な歩行者リプレイ、Isaac Simバリデーション、ROS/Orinデプロイメントの実験は、共同サンプリングが尾の安全性と実行効率を改善することを示している。
論文 参考訳(メタデータ) (2026-06-14T11:15:44Z) - Bridging Predictive Uncertainty and Safe Action: Sample-Conditioned Differentiable Planning for Autonomous Driving [46.91409391705346]
複雑でダイナミックでインタラクティブな運転環境は、自動運転に重大な課題をもたらす。
現在のシステムにおける基本的なボトルネックは、高度に表現力のある不確実性モデリングと解釈可能な安全な動き計画との切り離しである。
本稿では, このギャップを埋めるために, 拡散生成将来の軌道を最適化プロセスに明示的に組み込む, サンプル条件付き微分可能計画フレームワークを提案する。
論文 参考訳(メタデータ) (2026-06-02T08:10:02Z) - Simulation-Informed Diffusion for Decentralized Multi-robot Motion Planning [56.240199425429445]
マルチロボットモーションプランニングでは、各ロボットが局所的な観測から衝突のない軌道を生成する必要がある。
既存のほとんどのプランナは、ローカル観測の静的スナップショットからトラジェクトリを生成する。
本稿では,制約対応拡散モデルに基づく分散フレームワークであるSimulation-Informed Diffusion (SID)を紹介する。
論文 参考訳(メタデータ) (2026-05-26T21:17:53Z) - Bench2Drive-Robust: Benchmarking Closed-Loop Autonomous Driving under Deployment Perturbations [122.22391796628408]
Bench2Drive-Robustは、クローズドループのエンドツーエンド自動運転のための最初のデバイス中心の堅牢性ベンチマークである。
我々は,カメラストリーム障害,エゴ状態推定誤差,計算による制御遅延という3つの主要な原因から生じる展開指向の摂動を系統的に評価した。
以上の結果から,これらの展開に伴う摂動は閉ループ駆動性能を著しく低下させる可能性が示唆された。
論文 参考訳(メタデータ) (2026-05-18T08:45:24Z) - Real-Time Sampling-based Online Planning for Drone Interception [18.340019191662957]
本稿では,ニューラルネットワークの推論を利用して,時間を要する非線形軌道最適化を代替するサンプリングベースのオンライン計画アルゴリズムを提案する。
提案手法は、無人機が衝突を回避し、不完全な目標予測を処理しながら、目標を迎撃しなければならないドローン迎撃問題に適用される。
論文 参考訳(メタデータ) (2025-02-20T03:48:38Z) - MEXGEN: An Effective and Efficient Information Gain Approximation for Information Gathering Path Planning [3.195234044113248]
自律ロボットの計画アルゴリズムは、不確実性の下でのシーケンシャルな意思決定問題を解決する必要がある。
我々は,不確実な信念状態からセンサ計測を予測する難しい問題に対して,計算的に効率的かつ効果的に近似する手法を開発した。
マルチロータ型空中ロボットを用いた広範囲なシミュレーション・フィールド実験により, 電波源追尾と位置決め問題の性能向上を実証した。
論文 参考訳(メタデータ) (2024-05-04T08:09:16Z) - Layout Sequence Prediction From Noisy Mobile Modality [53.49649231056857]
軌道予測は、自律運転やロボット工学などの応用における歩行者運動を理解する上で重要な役割を担っている。
現在の軌道予測モデルは、視覚的モダリティからの長い、完全な、正確に観察されたシーケンスに依存する。
本稿では,物体の障害物や視界外を,完全に視認できる軌跡を持つものと同等に扱う新しいアプローチであるLTrajDiffを提案する。
論文 参考訳(メタデータ) (2023-10-09T20:32:49Z) - Autonomous search of real-life environments combining dynamical system-based path planning and unsupervised learning [0.0]
本研究は,カオスカバレッジパスプランナの現実的応用のための新しいフレームワークを開発する。
効果的な障害物回避、カオス軌道分散、正確なリアルタイムカバレッジ計算のための技術を提供する。
このアプリケーションの性能は、従来の最適経路プランナーに匹敵するものだった。
論文 参考訳(メタデータ) (2023-05-03T00:09:31Z) - Vision in adverse weather: Augmentation using CycleGANs with various
object detectors for robust perception in autonomous racing [70.16043883381677]
自律レースでは、天気は突然変化し、認識が著しく低下し、非効率な操作が引き起こされる。
悪天候の検知を改善するために、ディープラーニングベースのモデルは通常、そのような状況下でキャプチャされた広範なデータセットを必要とする。
本稿では,5つの最先端検出器のうち4つの性能向上を図るために,自動レース(CycleGANを用いた)における合成悪条件データセットを用いた手法を提案する。
論文 参考訳(メタデータ) (2022-01-10T10:02:40Z) - Online Planning in Uncertain and Dynamic Environment in the Presence of
Multiple Mobile Vehicles [5.894659354028797]
環境条件が不確実な環境条件下での移動体ロボットの自律走行について検討する。
我々はまず,時間変動による乱れの影響を考慮し,他の車両の将来の状態分布を予測した。
次に,ロボットが到達する確率の高い状態を含む動的障害物対応リーチ可能空間を構築する。
論文 参考訳(メタデータ) (2020-09-08T13:27:57Z)
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。