Equivariant Filter for Relative Attitude and Target Angular Velocity Estimation

投稿日: 2025年6月9日 作成者: jarxiv

要約

2つの剛体間の相対的な態度と角速度の正確な推定は、宇宙船のランデブーやドッキングなどの航空宇宙用途での基本です。
これらのシナリオでは、チェイサー車両は、オンボードセンサーを使用してターゲットオブジェクトの方向と角速度を決定する必要があります。
この作業は、ターゲットフレームに固定された2つの既知の非共線型ベクターのノイズの多い観測を使用して、相対的な態度とターゲット角速度の両方を確実に推定できる等量フィルター（EQF）を設計するという課題に対処します。
EQFを導出するために、システムの対称性が提案され、対称グループへの等量リフトが計算されます。
観測可能性と収束特性が分析されます。
シミュレーションはフィルターのパフォーマンスを示し、モンテカルロの実行により統計的に有意な結果が得られます。
低料金の測定の影響も調べられ、この効果を緩和する戦略が提案されています。
実験結果は、測定獲得のためのファイディアマーカーと従来のカメラとイベントカメラの両方を使用して、アプローチをさらに検証し、現実的な設定での有効性を確認します。

要約(オリジナル)

Accurate estimation of the relative attitude and angular velocity between two rigid bodies is fundamental in aerospace applications such as spacecraft rendezvous and docking. In these scenarios, a chaser vehicle must determine the orientation and angular velocity of a target object using onboard sensors. This work addresses the challenge of designing an Equivariant Filter (EqF) that can reliably estimate both the relative attitude and the target angular velocity using noisy observations of two known, non-collinear vectors fixed in the target frame. To derive the EqF, a symmetry for the system is proposed and an equivariant lift onto the symmetry group is calculated. Observability and convergence properties are analyzed. Simulations demonstrate the filter’s performance, with Monte Carlo runs yielding statistically significant results. The impact of low-rate measurements is also examined and a strategy to mitigate this effect is proposed. Experimental results, using fiducial markers and both conventional and event cameras for measurement acquisition, further validate the approach, confirming its effectiveness in a realistic setting.

arxiv情報

著者 Gil Serrano,Bruno J. Guerreiro,Pedro Lourenço,Rita Cunha
発行日 2025-06-06 12:06:21+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.RO, cs.SY, eess.SY | Equivariant Filter for Relative Attitude and Target Angular Velocity Estimation はコメントを受け付けていません

End-to-End Framework for Robot Lawnmower Coverage Path Planning using Cellular Decomposition

投稿日: 2025年6月9日 作成者: jarxiv

要約

効率的なカバレッジパス計画（CPP）は、自律的なロボット芝刈り機が多様で不規則な形状の芝生を効果的にナビゲートし、維持するために必要です。
このペーパーでは、CPPの包括的なエンドツーエンドパイプラインを紹介します。これは、航空マップ上のユーザー定義の境界を最適化されたカバレッジパスにシームレスに変換するように設計されています。
パイプラインには、ユーザーの入力抽出、座標変換、面積分解、およびパス生成が含まれ、新しいAdaptivedEcompositionCPPアルゴリズム、インタラクティブなカバレッジパス視覚装置を介したプレビューとカスタマイズ、および実用的なGPSウェイポイントへの変換が含まれます。
AdaptiveDeCompositionCPPアルゴリズムは、細胞分解と適応融合戦略を組み合わせて、非浸漬移動を減らし、運用効率を向上させます。
シミュレーションと実世界の芝刈り機テストの両方を含む実験的評価は、カバレッジの完全性と刈り取り効率におけるフレームワークの有効性を示しています。

要約(オリジナル)

Efficient Coverage Path Planning (CPP) is necessary for autonomous robotic lawnmowers to effectively navigate and maintain lawns with diverse and irregular shapes. This paper introduces a comprehensive end-to-end pipeline for CPP, designed to convert user-defined boundaries on an aerial map into optimized coverage paths seamlessly. The pipeline includes user input extraction, coordinate transformation, area decomposition and path generation using our novel AdaptiveDecompositionCPP algorithm, preview and customization through an interactive coverage path visualizer, and conversion to actionable GPS waypoints. The AdaptiveDecompositionCPP algorithm combines cellular decomposition with an adaptive merging strategy to reduce non-mowing travel thereby enhancing operational efficiency. Experimental evaluations, encompassing both simulations and real-world lawnmower tests, demonstrate the effectiveness of the framework in coverage completeness and mowing efficiency.

arxiv情報

著者 Nikunj Shah,Utsav Dey,Kenji Nishimiya
発行日 2025-06-06 12:20:45+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.AI, cs.RO | End-to-End Framework for Robot Lawnmower Coverage Path Planning using Cellular Decomposition はコメントを受け付けていません

Trajectory Optimization for UAV-Based Medical Delivery with Temporal Logic Constraints and Convex Feasible Set Collision Avoidance

投稿日: 2025年6月9日 作成者: jarxiv

要約

このペーパーでは、都市環境で時間に敏感な医療配達を行う無人航空機（UAV）の軌道最適化の問題に対処します。
具体的には、複数の病院に血液パッケージを配信することを課す3つのフリードームダイナミクスを備えた単一のUAVを検討します。
ミッション目標は、信号時間ロジック（STL）を使用してエンコードされ、空間的制約の正式な仕様を可能にします。
安全性を確保するために、都市の建物は3D凸型障害物としてモデル化され、障害物の回避は凸状の実現可能なセット（CFS）メソッドを介して処理されます。
UAVダイナミクス、STL満足度、および衝突回避の計画全体の問題は、抵抗性の最適化問題として定式化され、標準的な凸プログラミング技術を使用して効率的に解決できる凸最適化問題として定式化されています。
シミュレーション結果は、提案された方法が、一時的なミッションの目標を満たす動的に実行可能で衝突のない軌跡を生成し、自律的なUAVベースの医療物流に対してスケーラブルで信頼できるアプローチを提供することを示しています。

要約(オリジナル)

This paper addresses the problem of trajectory optimization for unmanned aerial vehicles (UAVs) performing time-sensitive medical deliveries in urban environments. Specifically, we consider a single UAV with 3 degree-of-freedom dynamics tasked with delivering blood packages to multiple hospitals, each with a predefined time window and priority. Mission objectives are encoded using Signal Temporal Logic (STL), enabling the formal specification of spatial-temporal constraints. To ensure safety, city buildings are modeled as 3D convex obstacles, and obstacle avoidance is handled through a Convex Feasible Set (CFS) method. The entire planning problem-combining UAV dynamics, STL satisfaction, and collision avoidance-is formulated as a convex optimization problem that ensures tractability and can be solved efficiently using standard convex programming techniques. Simulation results demonstrate that the proposed method generates dynamically feasible, collision-free trajectories that satisfy temporal mission goals, providing a scalable and reliable approach for autonomous UAV-based medical logistics.

arxiv情報

著者 Kaiyuan Chen,Yuhan Suo,Shaowei Cui,Yuanqing Xia,Wannian Liang,Shuo Wang
発行日 2025-06-06 12:39:02+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.RO, cs.SY, eess.SY | Trajectory Optimization for UAV-Based Medical Delivery with Temporal Logic Constraints and Convex Feasible Set Collision Avoidance はコメントを受け付けていません

Marginalizing and Conditioning Gaussians onto Linear Approximations of Smooth Manifolds with Applications in Robotics

投稿日: 2025年6月9日 作成者: jarxiv

要約

ガウシア人を疎外およびコンディショニングするための閉形式式を線形マニホールドに提示し、線形化を介してこれらの式を滑らかな非線形マニホールドに適用する方法を示します。
軸に合わせたマニホールドへの疎外とコンディショニングは確立された手順ですが、非軸に合わせたマニホールドにそうすることはよく理解されていません。
3つのアプリケーションを通じて式の有用性を示します。1）予測された正規分布の近似。問題の非線形性が低下するにつれて線形化近似の品質が向上します。
2）Koopman Slamでの共分散抽出。ここでは、私たちの共分散が実際のデータセットで一貫していることが示されています。
3）制約されたGTSAMでの共分散抽出。私たちの共分散がシミュレーションで一貫していることが示されています。

要約(オリジナル)

We present closed-form expressions for marginalizing and conditioning Gaussians onto linear manifolds, and demonstrate how to apply these expressions to smooth nonlinear manifolds through linearization. Although marginalization and conditioning onto axis-aligned manifolds are well-established procedures, doing so onto non-axis-aligned manifolds is not as well understood. We demonstrate the utility of our expressions through three applications: 1) approximation of the projected normal distribution, where the quality of our linearized approximation increases as problem nonlinearity decreases; 2) covariance extraction in Koopman SLAM, where our covariances are shown to be consistent on a real-world dataset; and 3) covariance extraction in constrained GTSAM, where our covariances are shown to be consistent in simulation.

arxiv情報

著者 Zi Cong Guo,James R. Forbes,Timothy D. Barfoot
発行日 2025-06-06 13:11:01+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.RO | Marginalizing and Conditioning Gaussians onto Linear Approximations of Smooth Manifolds with Applications in Robotics はコメントを受け付けていません

BEAST: Efficient Tokenization of B-Splines Encoded Action Sequences for Imitation Learning

投稿日: 2025年6月9日 作成者: jarxiv

要約

B-SPLINEエンコードされたアクションシーケンストークン化装置（Beast）を提示します。これは、B-Splinesを使用してコンパクトディスクリートまたは連続トークンにアクションシーケンスをコードする新しいアクショントークン剤です。
ベクターの量子化またはバイトペアのエンコードに基づく既存のアクショントークナーとは対照的に、ビーストは個別のトークナイザートレーニングを必要とせず、一貫して均一な長さのトークンを生成し、並列デコードを介して高速アクションシーケンス生成を可能にします。
B-Splineの定式化を活用して、Beastは本質的に隣接するセグメント間の不連続性なしに滑らかな軌跡を生成することを本質的に保証します。
ビーストは、連続トークンを備えた変分自動エンコーダー（VAE）、離散トークンを備えたデコーダーのみの変圧器、エンコーダーデコードアーキテクチャを備えた前処理されたビジョン言語モデルであるFlorence-2を備えた3つの異なるモデルアーキテクチャと統合することにより、獣を広範囲に評価します。
166のシミュレートされたタスクで構成される3つの確立されたベンチマークと、合計8つの現実世界のタスクを持つ3つの異なるロボット設定でビーストを評価します。
実験結果は、獣（i）がトレーニングと推論の計算コストの両方を大幅に削減し、（ii）連続制御タスクに適したスムーズで高周波制御信号を一貫して生成することを示していますが、（iii）は、最先端の方法と比較して競争力のあるタスクの成功率を確実に達成します。

要約(オリジナル)

We present the B-spline Encoded Action Sequence Tokenizer (BEAST), a novel action tokenizer that encodes action sequences into compact discrete or continuous tokens using B-splines. In contrast to existing action tokenizers based on vector quantization or byte pair encoding, BEAST requires no separate tokenizer training and consistently produces tokens of uniform length, enabling fast action sequence generation via parallel decoding. Leveraging our B-spline formulation, BEAST inherently ensures generating smooth trajectories without discontinuities between adjacent segments. We extensively evaluate BEAST by integrating it with three distinct model architectures: a Variational Autoencoder (VAE) with continuous tokens, a decoder-only Transformer with discrete tokens, and Florence-2, a pretrained Vision-Language Model with an encoder-decoder architecture, demonstrating BEAST’s compatibility and scalability with large pretrained models. We evaluate BEAST across three established benchmarks consisting of 166 simulated tasks and on three distinct robot settings with a total of 8 real-world tasks. Experimental results demonstrate that BEAST (i) significantly reduces both training and inference computational costs, and (ii) consistently generates smooth, high-frequency control signals suitable for continuous control tasks while (iii) reliably achieves competitive task success rates compared to state-of-the-art methods.

arxiv情報

著者 Hongyi Zhou,Weiran Liao,Xi Huang,Yucheng Tang,Fabian Otto,Xiaogang Jia,Xinkai Jiang,Simon Hilber,Ge Li,Qian Wang,Ömer Erdinç Yağmurlu,Nils Blank,Moritz Reuss,Rudolf Lioutikov
発行日 2025-06-06 13:26:16+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.LG, cs.RO | BEAST: Efficient Tokenization of B-Splines Encoded Action Sequences for Imitation Learning はコメントを受け付けていません

Self driving algorithm for an active four wheel drive racecar

投稿日: 2025年6月9日 作成者: jarxiv

要約

特に、独立したホイールトルク制御を提供するアクティブな四輪駆動（A4WD）システムを備えた電気自動車にとって、ハンドリング制限で自動運転車を制御することは重要な課題です。
従来の車両ダイナミクスコントロール（VDC）メソッドは複雑な物理ベースのモデルを使用しますが、この研究では、統一された高性能コントローラーを開発するために、深い強化学習（DRL）を調査します。
近位ポリシー最適化（PPO）アルゴリズムを使用して、タイヤグリップ制限でシミュレートされたレースカー（TORC）で最適なラップタイムのエージェントを訓練します。
重大なことに、エージェントは、速度、加速、ヨーレートなどの車両状態を、4つのホイールのそれぞれのステアリング角度コマンドと独立したトルクコマンドに直接マッピングするエンドツーエンドポリシーを学習します。
この定式化は、従来のペダル入力と明示的なトルクベクターアルゴリズムをバイパスし、エージェントがパフォーマンスと安定性を最大化するために必要なA4WD制御ロジックを暗黙的に学習できるようにします。
シミュレーション結果は、RLエージェントが洗練された戦略を学習し、ホイールトルクの分布をコーナーごとに動的に最適化して、ハンドリングを強化し、車両の固有のアンダーステア​​を軽減することを示しています。
学習した行動は、グリップ利用の側面で、競争力のあるラップタイムを達成しながら、従来の物理学ベースのA4WDコントローラーを潜在的に上回る可能性があります。
この研究では、DRLが複雑な車両ダイナミクスのための適応制御システムを作成する可能性を強調しています。RLは、RLが、レースと交通安全のために厳しいグリップ制限されたシナリオにおいて自律的な運転を進めるための強力な代替手段であることを示唆しています。

要約(オリジナル)

Controlling autonomous vehicles at their handling limits is a significant challenge, particularly for electric vehicles with active four wheel drive (A4WD) systems offering independent wheel torque control. While traditional Vehicle Dynamics Control (VDC) methods use complex physics-based models, this study explores Deep Reinforcement Learning (DRL) to develop a unified, high-performance controller. We employ the Proximal Policy Optimization (PPO) algorithm to train an agent for optimal lap times in a simulated racecar (TORCS) at the tire grip limit. Critically, the agent learns an end-to-end policy that directly maps vehicle states, like velocities, accelerations, and yaw rate, to a steering angle command and independent torque commands for each of the four wheels. This formulation bypasses conventional pedal inputs and explicit torque vectoring algorithms, allowing the agent to implicitly learn the A4WD control logic needed for maximizing performance and stability. Simulation results demonstrate the RL agent learns sophisticated strategies, dynamically optimizing wheel torque distribution corner-by-corner to enhance handling and mitigate the vehicle’s inherent understeer. The learned behaviors mimic and, in aspects of grip utilization, potentially surpass traditional physics-based A4WD controllers while achieving competitive lap times. This research underscores DRL’s potential to create adaptive control systems for complex vehicle dynamics, suggesting RL is a potent alternative for advancing autonomous driving in demanding, grip-limited scenarios for racing and road safety.

arxiv情報

著者 Gergely Bari,Laszlo Palkovics
発行日 2025-06-06 13:33:15+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.RO | Self driving algorithm for an active four wheel drive racecar はコメントを受け付けていません

On-board Mission Replanning for Adaptive Cooperative Multi-Robot Systems

投稿日: 2025年6月9日 作成者: jarxiv

要約

協同組合の自律的なロボットシステムは、スペース、空気、地面、および海上ドメインを越えて複雑なマルチタスクミッションを実行する可能性があります。
しかし、それらは一般的にリモートで動的で危険な環境で動作し、集中的な計算に脆弱なまたは遅い通信リンクに依存せずに、迅速な内容適応を必要とします。
したがって、回復力を高めるには、高速でオンボードの再生アルゴリズムが必要です。
補強学習は、旅行営業担当者の問題（TSP）として策定された場合、ミッション計画タスクを効率的に解決するための強い約束を示していますが、既存の方法は次のとおりです。
2）エージェント間の協力を許可しないでください。
3）さまざまな期間でタスクをモデル化できません。
または4）オンボード展開に関する実用的な考慮事項がない。
ここでは、これらの問題を克服するための適応を備えた複数TSPの新しいバリアントとして協同ミッションの再生問題を定義し、グラフ注意ネットワークと注意モデルを使用して効果的かつ効率的に解決するための新しいエンコーダー/デコーダーベースのモデルを開発します。
協力的なドローンの簡単な例を使用して、Replannerが一貫して（90％の時間）、最先端のLKH3ヒューリスティックソルバーの10％以内のパフォーマンスを維持し、ラズベリーPIで85〜370倍速く走ることを示します。
この作業は、自律的なマルチエージェントシステムの回復力を高める道を開きます。

要約(オリジナル)

Cooperative autonomous robotic systems have significant potential for executing complex multi-task missions across space, air, ground, and maritime domains. But they commonly operate in remote, dynamic and hazardous environments, requiring rapid in-mission adaptation without reliance on fragile or slow communication links to centralised compute. Fast, on-board replanning algorithms are therefore needed to enhance resilience. Reinforcement Learning shows strong promise for efficiently solving mission planning tasks when formulated as Travelling Salesperson Problems (TSPs), but existing methods: 1) are unsuitable for replanning, where agents do not start at a single location; 2) do not allow cooperation between agents; 3) are unable to model tasks with variable durations; or 4) lack practical considerations for on-board deployment. Here we define the Cooperative Mission Replanning Problem as a novel variant of multiple TSP with adaptations to overcome these issues, and develop a new encoder/decoder-based model using Graph Attention Networks and Attention Models to solve it effectively and efficiently. Using a simple example of cooperative drones, we show our replanner consistently (90% of the time) maintains performance within 10% of the state-of-the-art LKH3 heuristic solver, whilst running 85-370 times faster on a Raspberry Pi. This work paves the way for increased resilience in autonomous multi-agent systems.

arxiv情報

著者 Elim Kwan,Rehman Qureshi,Liam Fletcher,Colin Laganier,Victoria Nockles,Richard Walters
発行日 2025-06-06 13:54:19+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.LG, cs.RO | On-board Mission Replanning for Adaptive Cooperative Multi-Robot Systems はコメントを受け付けていません

Is Your Imitation Learning Policy Better than Mine? Policy Comparison with Near-Optimal Stopping

投稿日: 2025年6月9日 作成者: jarxiv

要約

模倣学習により、ロボットは、器用な操作設定に挑戦する際に、複雑で長距離のタスクを実行することができました。
新しい方法が開発されると、それらは厳密に評価され、繰り返し評価試験を通じて対応するベースラインと比較する必要があります。
ただし、ポリシーの比較は、人間の大幅な努力と政策の限られた推論のスループットにより、小さな実行可能なサンプルサイズ（10または50など）によって根本的に制約されています。
このペーパーでは、小さなサンプルサイズ体制の2つのポリシーを厳密に比較するための新しい統計的枠組みを提案します。
統計政策比較の以前の研究は、バッチテストに依存しています。これには、固定された事前に決定された試行数が必要であり、サンプルサイズを観察された評価データに適応させる柔軟性がありません。
さらに、追加の試験でテストを拡張すると、不注意なPハッキングを誘発するリスクがあり、統計的保証を弱めます。
対照的に、提案された統計テストは連続的であり、研究者は中間結果に基づいてより多くの試験を実行するかどうかを決定できるようにします。
これは、根本的な比較の難しさに合わせて試験の数を調整し、確率的正しさを犠牲にすることなくかなりの時間と労力を節約します。
広範な数値シミュレーションと現実世界のロボット操作実験により、このテストが最適に近い停止を達成し、研究者が評価を停止し、最小数の試験で決定を下すことができます。
具体的には、比較の確率的正しさと統計的能力を維持しながら、最先端のベースラインと比較して、評価試験の数を最大32％減らします。
さらに、私たちの方法は、最も挑戦的な比較インスタンスで最も強くなっています（ほとんどの評価試験が必要です）。
マルチタスクの比較シナリオでは、評価者を160を超えるシミュレーションロールアウトを保存します。

要約(オリジナル)

Imitation learning has enabled robots to perform complex, long-horizon tasks in challenging dexterous manipulation settings. As new methods are developed, they must be rigorously evaluated and compared against corresponding baselines through repeated evaluation trials. However, policy comparison is fundamentally constrained by a small feasible sample size (e.g., 10 or 50) due to significant human effort and limited inference throughput of policies. This paper proposes a novel statistical framework for rigorously comparing two policies in the small sample size regime. Prior work in statistical policy comparison relies on batch testing, which requires a fixed, pre-determined number of trials and lacks flexibility in adapting the sample size to the observed evaluation data. Furthermore, extending the test with additional trials risks inducing inadvertent p-hacking, undermining statistical assurances. In contrast, our proposed statistical test is sequential, allowing researchers to decide whether or not to run more trials based on intermediate results. This adaptively tailors the number of trials to the difficulty of the underlying comparison, saving significant time and effort without sacrificing probabilistic correctness. Extensive numerical simulation and real-world robot manipulation experiments show that our test achieves near-optimal stopping, letting researchers stop evaluation and make a decision in a near-minimal number of trials. Specifically, it reduces the number of evaluation trials by up to 32% as compared to state-of-the-art baselines, while preserving the probabilistic correctness and statistical power of the comparison. Moreover, our method is strongest in the most challenging comparison instances (requiring the most evaluation trials); in a multi-task comparison scenario, we save the evaluator more than 160 simulation rollouts.

arxiv情報

著者 David Snyder,Asher James Hancock,Apurva Badithela,Emma Dixon,Patrick Miller,Rares Andrei Ambrus,Anirudha Majumdar,Masha Itkina,Haruki Nishimura
発行日 2025-06-06 14:24:36+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.RO, stat.ML | Is Your Imitation Learning Policy Better than Mine? Policy Comparison with Near-Optimal Stopping はコメントを受け付けていません

UAV-UGV Cooperative Trajectory Optimization and Task Allocation for Medical Rescue Tasks in Post-Disaster Environments

投稿日: 2025年6月9日 作成者: jarxiv

要約

災害後のシナリオでは、インフラストラクチャへの深刻な損害により、医療資源の迅速かつ効率的な提供が重要で困難です。
最適化されたソリューションを提供するために、無人航空機（UAV）および無人の地上車両（UGV）を活用する協力軌道最適化とタスク割り当てフレームワークを提案します。
この研究では、複数のUAVおよびUGV間の効率的なタスク割り当てのための遺伝的アルゴリズム（GA）を統合し、衝突のない軌道生成のための情報に基づいたRRT*（急速に探求するランダムツリースター）アルゴリズムを採用しています。
タスクシーケンスとパス効率のさらなる最適化は、共分散行列適応進化戦略（CMA-ES）を使用して実施されます。
現実的な災害後環境で実施されたシミュレーション実験は、提案されたアプローチが従来の戦略と比較して医療救助活動の全体的な効率を大幅に改善し、ミッション完了時間と移動距離の大幅な削減を示していることを示しています。
さらに、UAVとUGVの協力的利用は、補完的な利点のバランスを効果的にバランスさせ、実際の展開のためのシステムのスケーラビリティと実用性を強調しています。

要約(オリジナル)

In post-disaster scenarios, rapid and efficient delivery of medical resources is critical and challenging due to severe damage to infrastructure. To provide an optimized solution, we propose a cooperative trajectory optimization and task allocation framework leveraging unmanned aerial vehicles (UAVs) and unmanned ground vehicles (UGVs). This study integrates a Genetic Algorithm (GA) for efficient task allocation among multiple UAVs and UGVs, and employs an informed-RRT* (Rapidly-exploring Random Tree Star) algorithm for collision-free trajectory generation. Further optimization of task sequencing and path efficiency is conducted using Covariance Matrix Adaptation Evolution Strategy (CMA-ES). Simulation experiments conducted in a realistic post-disaster environment demonstrate that our proposed approach significantly improves the overall efficiency of medical rescue operations compared to traditional strategies, showing substantial reductions in total mission completion time and traveled distance. Additionally, the cooperative utilization of UAVs and UGVs effectively balances their complementary advantages, highlighting the system’ s scalability and practicality for real-world deployment.

arxiv情報

著者 Kaiyuan Chen,Wanpeng Zhao,Yongxi Liu,Yuanqing Xia,Wannian Liang,Shuo Wang
発行日 2025-06-06 14:50:51+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.MA, cs.RO | UAV-UGV Cooperative Trajectory Optimization and Task Allocation for Medical Rescue Tasks in Post-Disaster Environments はコメントを受け付けていません

A Physics-informed End-to-End Occupancy Framework for Motion Planning of Autonomous Vehicles

投稿日: 2025年6月9日 作成者: jarxiv

要約

正確で解釈可能なモーション計画は、自動運転車（AVS）が複雑で不確実な環境をナビゲートするために不可欠です。
最近のエンドツーエンドの占有予測方法により環境理解が向上しましたが、通常、明示的な物理的制約がなく、安全性と一般化が制限されています。
この論文では、検証可能な物理ルールを占有学習プロセスに統合する統合エンドツーエンドのフレームワークを提案します。
具体的には、予測された占有マップがデータ効率で物理的にもっともらしいことを確認するために、ネットワークトレーニング中に物理学に基づいたガイダンスとして人工電位フィールド（APF）を埋め込みました。
私たちのアーキテクチャは、畳み込みと再発性のニューラルネットワークを組み合わせて、モデルの柔軟性を維持しながら、空間的および時間的依存関係をキャプチャします。
実験結果は、この方法がタスクの完了率、安全マージン、および多様な運転シナリオ全体の計画効率を改善し、実際のAVシステムでの信頼できる展開の可能性を確認することを示しています。

要約(オリジナル)

Accurate and interpretable motion planning is essential for autonomous vehicles (AVs) navigating complex and uncertain environments. While recent end-to-end occupancy prediction methods have improved environmental understanding, they typically lack explicit physical constraints, limiting safety and generalization. In this paper, we propose a unified end-to-end framework that integrates verifiable physical rules into the occupancy learning process. Specifically, we embed artificial potential fields (APF) as physics-informed guidance during network training to ensure that predicted occupancy maps are both data-efficient and physically plausible. Our architecture combines convolutional and recurrent neural networks to capture spatial and temporal dependencies while preserving model flexibility. Experimental results demonstrate that our method improves task completion rate, safety margins, and planning efficiency across diverse driving scenarios, confirming its potential for reliable deployment in real-world AV systems.

arxiv情報

著者 Shuqi Shen,Junjie Yang,Hongliang Lu,Hui Zhong,Qiming Zhang,Xinhu Zheng
発行日 2025-06-06 15:29:34+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.RO | A Physics-informed End-to-End Occupancy Framework for Motion Planning of Autonomous Vehicles はコメントを受け付けていません