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:2507.11001

専門家のようにチューニングを学習:MLLM推論とCVAE適応による解釈可能でシーン認識型ナビゲーション

Learning to Tune Like an Expert: Interpretable and Scene-Aware Navigation via MLLM Reasoning and CVAE-Based Adaptation

シェア:XThreadsFacebookLINEはてブBluesky

マルチモーダル大規模言語モデルと条件付き変分オートエンコーダを組み合わせ、自然言語指示からナビゲーションのハイパーパラメータを適応的に調整する解釈可能なナビゲーションフレームワークLE-Navを提案。

詳しい要約

1. どんなもの?

- サービスロボット向けの解釈可能かつシーン適応型ナビゲーション枠組み「LE-Nav」 - 多様で動的な環境(物理配置・社会的文脈が変化)を対象 - 固定パラメータの従来ナビゲーションの汎化失敗を課題視 - MLLM reasoning と CVAE で planner hyperparameters を適応調整 - 自然言語指示から hyperparameters への写像を学習し専門家級チューニングを狙う

2. 先行研究と比べてどこがすごい?

- 従来の固定パラメータ型ナビゲーションは非構造環境で汎化せず性能・社会的受容が低下 - RL で従来 planner を強化する近年手法は汎化不足と simulation 多様性の制約で sim-to-real 移行が困難 - LE-Nav は MLLM reasoning と CVAE による hyperparameter 適応でこれらを狙う - 多様な planner・シナリオで人間レベルのチューニングを生成可能と報告 - 実機 trial と user study で SOTA を上回ると主張(詳細比較は要旨からは不明)

3. 技術・手法の肝は?

- MLLM reasoning によるシーン理解と planner hyperparameters の適応調整 - zero-shot scene understanding のため one-shot exemplars と chain-of-thought prompting を利用 - conditional variational autoencoder (CVAE) が自然言語指示と navigation hyperparameters の写像を獲得 - これにより expert-level tuning を実現 - 解釈可能性とシーン適応性を両立する枠組みとして設計

4. どうやって有効だと検証した?

- 多様な planner とシナリオで人間レベルの hyperparameters 生成を実験的に確認 - 実世界ナビゲーション trial を実施 - smart wheelchair platform 上での user study を実施 - success rate, efficiency, safety, comfort 等の定量指標で SOTA を上回ると報告 - perceived safety と social acceptance の主観スコアでも高い評価を獲得

5. 議論はある?

- 固定パラメータや RL ベース手法の汎化・sim-to-real 問題への対処を主張 - 実機 trial と user study で有効性を示すが、詳細な限界や失敗事例は要旨からは不明 - 解釈可能性の具体的評価方法は要旨からは不明 - 多様な実環境での長期運用や他プラットフォームへの一般化は要旨からは不明

6. 次に読むべき論文は?

- 要旨で直接参照/比較されている研究は明示されていない - 関連手法として reinforcement learning を用いた traditional planner 強化研究 - 同分野の定番として sim-to-real transfer や social navigation に関する研究 - MLLM reasoning を用いたロボットナビゲーション関連研究 - CVAE を用いたパラメータ適応・模倣学習関連研究

※ 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: Yanbo Wang, Zipeng Fang, Lei Zhao, Weidong Chen

分類: cs.RO, cs.CV

原文アブストラクト

Service robots are increasingly deployed in diverse and dynamic environments, where both physical layouts and social contexts change over time and across locations. In these unstructured settings, conventional navigation systems that rely on fixed parameters often fail to generalize across scenarios, resulting in degraded performance and reduced social acceptance. Although recent approaches have leveraged reinforcement learning to enhance traditional planners, these methods often fail in real-world deployments due to poor generalization and limited simulation diversity, which hampers effective sim-to-real transfer. To tackle these issues, we present LE-Nav, an interpretable and scene-aware navigation framework that leverages multi-modal large language model reasoning and conditional variational autoencoders to adaptively tune planner hyperparameters. To achieve zero-shot scene understanding, we utilize one-shot exemplars and chain-of-thought prompting strategies. Additionally, a conditional variational autoencoder captures the mapping between natural language instructions and navigation hyperparameters, enabling expert-level tuning. Experiments show that LE-Nav can generate hyperparameters achieving human-level tuning across diverse planners and scenarios. Real-world navigation trials and a user study on a smart wheelchair platform demonstrate that it outperforms state-of-the-art methods on quantitative metrics such as success rate, efficiency, safety, and comfort, while receiving higher subjective scores for perceived safety and social acceptance. Code is available at https://github.com/Cavendish518/LE-Nav.

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