日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

軌道計画arXiv:2507.04384

拡散合成による多様なシーンでの高速かつ安全な軌道計画

Rapid and Safe Trajectory Planning over Diverse Scenes through Diffusion Composition

シェア:XThreadsFacebookLINEはてブBluesky

エネルギー場を学習する拡散計画法と軽量安全フィルタを組み合わせ、未知の動的環境でも再学習なしにリアルタイムで安全な軌道を生成する手法を提案した。

詳しい要約

1. どんなもの?

- 動的環境での安全・効率的・運動学的に実行可能な軌道計画を目指す研究 - energy-parameterized diffusion planning フレームワークを提案 - 保守的な energy field を学習し、多様なシーンへの安全で安定した汎化を実現 - 軽量な safety filter を組み込み、展開時のリアルタイム安全性を担保 - MPC ベースの scene-agnostic なデータ生成パイプラインも開発

2. 先行研究と比べてどこがすごい?

- 先行研究との具体的比較は要旨からは不明 - 主張として、複数制約の柔軟な統合により再学習なしで未見環境へ汎化可能 - 展開時に軽量 safety filter で安全性と運動学的実行可能性をリアルタイム強制 - 大規模で動的に実行可能な学習軌道を生成するデータパイプラインを整備 - シミュレーションで平均計画時間 0.21s、計画失敗率 0.57% を報告

3. 技術・手法の肝は?

- energy-parameterized diffusion planning により保守的な energy field を学習 - energy パラメータ化により複数制約を柔軟に統合し、未見環境へ汎化 - 軽量 safety filter で安全性・運動学的実行可能性をリアルタイムに強制 - scene-agnostic な MPC ベースのデータ生成パイプラインで大規模学習軌道を生成 - 詳細なアルゴリズム構成は要旨からは不明

4. どうやって有効だと検証した?

- シミュレーションで平均計画時間 0.21s、計画失敗率 0.57% を達成 - F1TENTH プラットフォームでの実世界実験を実施 - 未見の動的環境かつ sensor uncertainty 下で衝突のない軌道を継続生成 - 単純な controller で追従後も安全を維持し、平均障害物クリアランス 0.26 m - ロバスト性と実用性を示唆

5. 議論はある?

- シミュレーションと F1TENTH 実機で有効性を示す - 未見動的環境・sensor uncertainty 下での安全性とロバスト性を主張 - 限界・失敗事例・計算資源条件などの詳細な議論は要旨からは不明 - 実世界でのスケールや他プラットフォームへの一般性は要旨からは不明

6. 次に読むべき論文は?

- diffusion-based motion planning(diffusion planning)関連研究 - MPC(Model Predictive Control)ベースの軌道生成・データ生成研究 - safety filter / control barrier function 系の安全保証研究 - F1TENTH を用いた実機自律走行研究 - 要旨で直接参照・比較されている個別論文は不明

※ 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: Wule Mao, Zhouheng Li, Yunhao Luo, Fangguo Zhao, Lei Xie

分類: cs.RO, cs.SY, eess.SY

原文アブストラクト

Achieving safe, efficient, and kinematically feasible planning in dynamic environments remains a significant challenge, as planners must simultaneously handle moving obstacles, sensor uncertainty, and strict motion constraints. To address this problem, we propose an energy-parameterized diffusion planning framework that learns a conservative energy field to realize safe and stable generalization across diverse scenarios. The energy-parameterized diffusion formulation enables flexible integration of multiple constraints, allowing the planner to generalize to previously unseen environments without retraining. To ensure real-time safety during deployment, we further incorporate a lightweight safety filter that enforces safety and kinematic feasibility constraints in real-time. Additionally, we develop a scene-agnostic, MPC-based data generation pipeline to produce large-scale, dynamically feasible training trajectories. In simulation, the proposed method achieves real-time performance with a mean planning time of 0.21s and a low planning failure rate of 0.57%. Real-world experiments on the F1TENTH platform further validate the effectiveness of the proposed framework. Under sensor uncertainty in previously unseen dynamic environments, the planner consistently generates collision-free trajectories, which remain safe after being tracked by a simple controller, maintaining a mean obstacle clearance of 0.26 m, demonstrating strong robustness and practical applicability. Project page: https://rstp-comp-diffuser.github.io.

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

FRONTIER(GPU搭載BTOパソコン)

FRONTIER(GPU搭載BTOパソコン)の公式広告バナーFRONTIERでGPU搭載PCを見る ↗
PR本紙発行元 EmplifAI