UAVナビゲーション2026/11/11arXiv:2611.15277

DroneDiffusion: 知覚信頼性を考慮した拡散モデルによるUAV経路計画

DroneDiffusion: Uncertainty-Guided Diffusion Path Planner for UAV Navigation

レンズフレアや露出過多などで知覚が劣化する領域を信頼性マップとして推定し、それを条件に拡散モデルで3D軌道を生成するUAVナビゲーション手法。シミュレーションのみで学習し実機にゼロショット適用、衝突率を半減させた。

詳しい要約

1. どんなもの？

- 3次元UAV局所経路生成のためのperception-aware diffusion planner「DroneDiffusion」 - lens flare・overexposure・reflective surfacesによるfailure zoneを明示的にモデル化し回避 - vision-language perceptual safety estimatorがpixel-aligned reliability mapを生成 - DDPMがreliability map・onboard RGB image・goal point・initial velocityを条件にegocentric 3-D trajectoryを生成 - 推論時にtraining-free CHOMP guidanceを3-D Euclidean signed distance field上で適用しobstacle avoidanceを強制

2. 先行研究と比べてどこがすごい？

- 幾何ベースラインと比較し、生成経路の平均perceptual reliabilityを0.63から0.71へ向上 - 学習priorのcollision rateを14.7%から7.8%へ半減 - 再学習なしで推論時にguidanceを適用可能 - センサ信頼性をfirst-class signalとして扱う点が特徴 - 具体的な先行研究名は要旨からは不明

3. 技術・手法の肝は？

- vision-language perceptual safety estimatorによるpixel-aligned reliability map生成 - DDPMをreliability map・RGB image・goal point・initial velocityで条件付けし3-D trajectoryを生成 - inference時にtraining-free CHOMP guidanceを3-D Euclidean signed distance field上で適用 - simulationのみで学習しreal droneへzero-shot展開 - perceptual safety conditioningとgeometric guidanceを相補的に組み合わせ

4. どうやって有効だと検証した？

- simulationで学習しreal droneへzero-shot展開 - 生成経路の平均perceptual reliabilityを幾何ベースラインと比較（0.71 vs 0.63） - guidance適用前後のcollision rateを比較（14.7%→7.8%） - 詳細な実験設定・データセットは要旨からは不明

5. 議論はある？

- perceptual safety conditioningとgeometric guidanceは相補的と主張 - センサ信頼性をfirst-class signalとして扱うことでunreliable領域への侵入を低減しつつ競争力のあるnavigation性能を維持 - 限界・失敗事例・計算コストなどの議論は要旨からは不明

6. 次に読むべき論文は？

- CHOMP（Covariant Hamiltonian Optimization for Motion Planning） - DDPM（Denoising Diffusion Probabilistic Model） - vision-language modelを用いたperceptual safety estimation - Euclidean signed distance field（ESDF）ベースの経路計画 - diffusion-based path planning（Diffuser等のdiffusion planner）

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Ivan Valuev, Iana Zhura, Valerii Serpiva, Miguel Altamirano Cabrera, Dzmitry Tsetserukou

分類: cs.RO

原文アブストラクト

We present DroneDiffusion, a perception-aware diffusion planner for local 3-D UAV trajectory generation that explicitly models and avoids failure zones caused by lens flare, overexposure, and reflective surfaces. A vision-language perceptual safety estimator produces a pixel-aligned reliability map that highlights regions of degraded sensing. A denoising diffusion probabilistic model (DDPM) is conditioned on this map together with the onboard RGB image, goal point, and initial velocity to generate egocentric 3-D trajectories. To enforce obstacle avoidance at inference time without retraining, we apply training-free CHOMP guidance over a 3-D Euclidean signed distance field. The model is trained entirely in simulation and deployed zero-shot on a real drone. Reliability conditioning raises the mean perceptual reliability along generated trajectories to 0.71, compared with 0.63 for a geometric baseline, while guidance halves the collision rate of the learned prior from 14.7% to 7.8%. Perceptual safety conditioning and geometric guidance are therefore complementary: treating sensor reliability as a first-class signal reduces incursions into unreliable regions while maintaining competitive navigation performance.

arXivで原文を読む →arXiv概要ページ

DroneDiffusion: 知覚信頼性を考慮した拡散モデルによるUAV経路計画

詳しい要約

1. どんなもの？

2. 先行研究と比べてどこがすごい？

3. 技術・手法の肝は？

4. どうやって有効だと検証した？

5. 議論はある？

6. 次に読むべき論文は？

原文アブストラクト

関連論文

今週よく読まれている記事