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:2507.21506

Decision Transformerによる動的な安全性・効率性トレードオフを考慮したドローン軌道計画

Decision Transformer-Based Drone Trajectory Planning with Dynamic Safety-Efficiency Trade-Offs

シェア:XThreadsFacebookLINEはてブBluesky

Decision Transformerを用いて、Return-to-Goパラメータを調整するだけでドローンの安全性と効率性のトレードオフを動的に変更できる軌道計画手法を提案した。

詳しい要約

1. どんなもの?

- ドローンの軌道計画において、安全性と効率性のトレードオフを動的に調整できる Decision Transformer ベースのプランナーを提案する研究。 - 単一のパラメータ Return-to-Go (RTG) を温度パラメータのように用いてトレードオフを調整する点が特徴。 - 未知環境でのミッション要求の変化に応じた調整を目指す。

2. 先行研究と比べてどこがすごい?

- 従来の polynomial-based planner は計算効率と滑らかな軌道生成に優れるが、トレードオフ調整に複数パラメータの専門的チューニングが必要で、調整しても所望のトレードオフにならない場合がある。 - 強化学習ベースのプランナーは未知環境に適応できるが、安全性と効率性のトレードオフを明示的に扱わない。 - 提案手法は RTG という単一パラメータでトレードオフを動的に調整でき、専門知識を要さない点が異なる。

3. 技術・手法の肝は?

- Decision Transformer を用いた軌道プランナーを構築。 - Return-to-Go (RTG) を温度パラメータとして利用し、安全性と効率性のトレードオフを調整。 - RTG が軌道の安全性と効率性を直感的に測る指標となるため、RTG のチューニングに専門知識が不要。

4. どうやって有効だと検証した?

- Gazebo シミュレーションで、structured grid 環境と unstructured random 環境の両方を検証。 - RTG パラメータを単純に調整するだけで安全性と効率性のトレードオフを動的に調整できることを示す。 - 複数の RTG 設定で既存 baseline 手法を上回り、安全性重視ではより安全な軌道、効率性重視ではより効率的な軌道を生成。 - 実世界実験により信頼性と実用性を確認。

5. 議論はある?

- 提案手法が RTG の単一パラメータでトレードオフを調整できる有効性を示す一方、詳細な限界や失敗ケースについての議論は要旨からは不明。 - 実世界実験の具体的条件や規模、比較対象の詳細は要旨からは不明。

6. 次に読むべき論文は?

- 比較対象として言及される polynomial-based planner および強化学習ベースのプランナー(具体的名称は要旨からは不明)。 - 基盤手法である Decision Transformer の原論文。 - 関連する強化学習ベースのドローン軌道計画手法(同分野の定番として一般名で挙げる)。

※ 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: Chang-Hun Ji, SiWoon Song, Youn-Hee Han, SungTae Moon

分類: cs.RO, cs.AI

原文アブストラクト

A drone trajectory planner should be able to dynamically adjust the safety-efficiency trade-off according to varying mission requirements in unknown environments. Although traditional polynomial-based planners offer computational efficiency and smooth trajectory generation, they require expert knowledge to tune multiple parameters to adjust this trade-off. Moreover, even with careful tuning, the resulting adjustment may fail to achieve the desired trade-off. Similarly, although reinforcement learning-based planners are adaptable in unknown environments, they do not explicitly address the safety-efficiency trade-off. To overcome this limitation, we introduce a Decision Transformer-based trajectory planner that leverages a single parameter, Return-to-Go (RTG), as a \emph{temperature parameter} to dynamically adjust the safety-efficiency trade-off. In our framework, since RTG intuitively measures the safety and efficiency of a trajectory, RTG tuning does not require expert knowledge. We validate our approach using Gazebo simulations in both structured grid and unstructured random environments. The experimental results demonstrate that our planner can dynamically adjust the safety-efficiency trade-off by simply tuning the RTG parameter. Furthermore, our planner outperforms existing baseline methods across various RTG settings, generating safer trajectories when tuned for safety and more efficient trajectories when tuned for efficiency. Real-world experiments further confirm the reliability and practicality of our proposed planner.

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. 3NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  4. 4GXO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
  5. 5Google DeepMind、ロボット向けAIを発表新製品・発表

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