日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

ナビゲーションarXiv:2506.04505

SGN-CIRL: シーングラフに基づくカリキュラム・模倣・強化学習を用いたナビゲーション

SGN-CIRL: Scene Graph-based Navigation with Curriculum, Imitation, and Reinforcement Learning

シェア:XThreadsFacebookLINEはてブBluesky

オープン語彙の3Dシーングラフ表現を強化学習に組み込み、模倣学習とカリキュラム学習で訓練を安定化させた地図なしロボットナビゲーション手法を提案し、Isaac Simでの実験で難易度の高いナビゲーション成功率を向上させた。

詳しい要約

1. どんなもの?

- 目的 - mapless な強化学習ベースのロボットナビゲーションを対象とするフレームワーク SGN-CIRL の提案 - 特徴 - open-vocabulary な 3D scene graph を学習可能な表現として用いる - 3D scene graph は物体間の空間関係をモデル化し、部分的に観測可能な環境での効率的な移動と目標物体位置の予測を可能にする - 構成 - reinforcement learning に imitation learning と curriculum learning を組み合わせる - 公開 - コードは https://github.com/Xisonik/Aloha_graph で open-source 化

2. 先行研究と比べてどこがすごい?

- 位置づけ - mapless reinforcement learning ナビゲーションに対し、学習可能な open-vocabulary 3D scene graph 表現を導入する点が独自 - 先行研究との比較 - 具体的な比較対象や定量的な優位性は要旨からは不明 - 主張 - 3D scene graph を reinforcement learning に用いることで、難しいナビゲーションケースの成功率が有意に向上したと報告

3. 技術・手法の肝は?

- 表現 - open-vocabulary 3D scene graph を learnable な表現として構築し、物体間の空間関係を利用 - 学習の加速と安定化 - imitation learning により agent が demonstrations から学習 - curriculum learning により単純なシナリオから高度なシナリオへと課題の複雑さを段階的に増加 - ナビゲーション - 部分的に観測可能な環境で目標物体の位置を予測しながら移動する mapless 強化学習 - 詳細なネットワーク構成やアルゴリズムは要旨からは不明

4. どうやって有効だと検証した?

- 環境 - Isaac Sim 環境での数値実験 - 検証内容 - 3D scene graph を reinforcement learning に用いた場合のナビゲーション性能を評価 - 結果 - 難しいナビゲーションケースにおいて成功率が有意に増加 - 比較条件や被験体・実機実験の有無は要旨からは不明

5. 議論はある?

- 示唆 - 3D scene graph が mapless 強化学習ナビゲーションの難事例の成功率向上に寄与 - imitation learning と curriculum learning が training の加速・安定化に寄与する可能性 - 限界・議論 - 実機での検証、sim-to-real、計算コスト、scene graph 構築の誤りへの頑健性などは要旨からは不明 - 比較対象や失敗事例の分析は要旨からは不明

6. 次に読むべき論文は?

- 要旨で参照・比較されている研究 - 明示的な参照研究は要旨からは不明 - 関連手法として読む候補 - 3D scene graph を用いたナビゲーション研究 - open-vocabulary な scene graph 表現の研究 - imitation learning を用いたロボットナビゲーション - curriculum learning を用いた reinforcement learning ナビゲーション - Isaac Sim を用いたナビゲーション評価

※ 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: Nikita Oskolkov, Huzhenyu Zhang, Dmitry Makarov, Dmitry Yudin, Aleksandr Panov

分類: cs.RO, cs.LG

原文アブストラクト

The 3D scene graph models spatial relationships between objects, enabling the agent to efficiently navigate in a partially observable environment and predict the location of the target object.This paper proposes an original framework named SGN-CIRL (3D Scene Graph-Based Reinforcement Learning Navigation) for mapless reinforcement learning-based robot navigation with learnable representation of open-vocabulary 3D scene graph. To accelerate and stabilize the training of reinforcement learning-based algorithms, the framework also employs imitation learning and curriculum learning. The first one enables the agent to learn from demonstrations, while the second one structures the training process by gradually increasing task complexity from simple to more advanced scenarios. Numerical experiments conducted in the Isaac Sim environment showed that using a 3D scene graph for reinforcement learning significantly increased the success rate in difficult navigation cases. The code is open-sourced and available at: https://github.com/Xisonik/Aloha\_graph.

関連論文

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  3. 3GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

MINISFORUM(ミニPC)

MINISFORUM(ミニPC)の公式広告バナーMINISFORUM公式ストアを見る ↗
PR本紙発行元 EmplifAI