日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

群衆ナビゲーションarXiv:2506.14305

不確実性に基づくリスク適応による社会的配慮型ロボット群衆ナビゲーション

Socially Aware Robot Crowd Navigation via Online Uncertainty-Driven Risk Adaptation

シェア:XThreadsFacebookLINEはてブBluesky

確率的アンサンブルニューラルネットでリスクを学習し、不確実性でフィルタリングしてMPCに入力する群衆ナビゲーション手法を提案。効率・安全・社会的配慮を両立。

詳しい要約

1. どんなもの?

- 人とロボットが共存する混雑環境でのロボットナビゲーション手法 - Learning-Risk Model Predictive Control (LR-MPC) というデータ駆動型アルゴリズムを提案 - 効率性・安全性・社会的配慮 (social awareness) のバランスを目指す - オフラインのリスク学習フェーズとオンラインの適応推論フェーズの2段階構成 - ウェブサイト (https://sites.google.com/view/lr-mpc) で公開

2. 先行研究と比べてどこがすごい?

- 既存手法は安全性や効率性を重視する一方で social awareness を軽視する傾向があると指摘 - LR-MPC は効率性・安全性・social awareness の3点を同時にバランスさせる点が特徴 - ベースライン手法と比較して success rate と social awareness で優位と報告 - 複雑な群衆環境でも高い適応性と低い disruption を実現すると主張

3. 技術・手法の肝は?

- オフラインのリスク学習フェーズ: ヒューリスティックな MPC ベースのベースライン (HR-MPC) から得たリスクデータで Probabilistic Ensemble Neural Network (PENN) を学習 - オンラインの適応推論フェーズ: ローカル waypoint をサンプリングし、Multi-RRT planner で大域的に誘導 - 各候補 waypoint のリスクを PENN で評価 - epistemic uncertainty と aleatoric uncertainty で予測をフィルタリングし、堅牢な意思決定を実現 - 最も安全な waypoint を MPC の入力として選択し、リアルタイムナビゲーション

4. どうやって有効だと検証した?

- Extensive experiments を実施したと記載 - LR-MPC がベースライン手法を success rate と social awareness で上回ることを示した - 複雑な群衆環境で高い適応性と低い disruption を伴ってナビゲーションできることを実証 - 具体的な実験設定・指標の詳細は要旨からは不明

5. 議論はある?

- 既存手法が social awareness を軽視している点を問題提起 - 不確実性 (epistemic/aleatoric) に基づくフィルタリングで堅牢な意思決定を図る設計 - オフライン学習に HR-MPC のリスクデータを用いるため、ベースラインの質への依存が議論点になり得る (要旨からは不明) - 限界や失敗ケースに関する明示的な議論は要旨からは不明

6. 次に読むべき論文は?

- HR-MPC (heuristic MPC-based baseline) - Probabilistic Ensemble Neural Network (PENN) - Multi-RRT planner - Model Predictive Control (MPC) を用いた crowd navigation の関連研究 - uncertainty-aware なリスク評価・学習ベースナビゲーションの関連手法

※ 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: Zhirui Sun, Xingrong Diao, Yao Wang, Bi-Ke Zhu, Jiankun Wang

分類: cs.RO

原文アブストラクト

Navigation in human-robot shared crowded environments remains challenging, as robots are expected to move efficiently while respecting human motion conventions. However, many existing approaches emphasize safety or efficiency while overlooking social awareness. This article proposes Learning-Risk Model Predictive Control (LR-MPC), a data-driven navigation algorithm that balances efficiency, safety, and social awareness. LR-MPC consists of two phases: an offline risk learning phase, where a Probabilistic Ensemble Neural Network (PENN) is trained using risk data from a heuristic MPC-based baseline (HR-MPC), and an online adaptive inference phase, where local waypoints are sampled and globally guided by a Multi-RRT planner. Each candidate waypoint is evaluated for risk by PENN, and predictions are filtered using epistemic and aleatoric uncertainty to ensure robust decision-making. The safest waypoint is selected as the MPC input for real-time navigation. Extensive experiments demonstrate that LR-MPC outperforms baseline methods in success rate and social awareness, enabling robots to navigate complex crowds with high adaptability and low disruption. A website about this work is available at https://sites.google.com/view/lr-mpc.

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

OZ GAMING(GPU搭載BTOゲーミングPC)

OZ GAMING(GPU搭載BTOゲーミングPC)の公式広告バナーOZ GAMINGで完成品PCを見る ↗
PR本紙発行元 EmplifAI