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:2509.18608

LiDARと深層強化学習による作物列のエンドツーエンドナビゲーション

End-to-End Crop Row Navigation via LiDAR-Based Deep Reinforcement Learning

シェア:XThreadsFacebookLINEはてブBluesky

LiDARの3D点群を直接制御コマンドに変換する深層強化学習ポリシーをシミュレーションで学習し、作物列に沿った自律走行を実現した。

詳しい要約

1. どんなもの?

- 目的 - under-canopy 農業環境での信頼できるナビゲーション - GNSS 不安定・cluttered rows・照明変動への対処 - 提案 - 生の 3D LiDAR データを直接制御コマンドへ写像する end-to-end 学習型ナビゲーション - deep reinforcement learning policy を simulation のみで訓練 - 特徴 - voxel-based downsampling により LiDAR 入力を 95.83% 削減 - labeled dataset や手設計の制御インタフェースを不要とする

2. 先行研究と比べてどこがすごい?

- 先行研究との比較は要旨からは不明 - 主張される利点 - GNSS に依存しない LiDAR ベースの end-to-end 制御 - labeled dataset 不要 - 手設計の制御インタフェース不要 - voxel-based downsampling で入力規模を 95.83% 削減し、効率的な policy learning を実現

3. 技術・手法の肝は?

- 入力 - raw 3D LiDAR data - 処理 - voxel-based downsampling により LiDAR 入力を 95.83% 削減 - 学習 - deep reinforcement learning policy を simulation 内で訓練 - 生センサデータから制御コマンドへ直接写像する end-to-end 構成 - 依存しないもの - labeled dataset - 手設計の制御インタフェース

4. どうやって有効だと検証した?

- 検証環境 - simulation 上で policy を検証 - 結果 - straight-row plantations で 100% の success rate - row curvature の増加に伴い性能が徐々に低下 - 異なる sinusoidal frequencies と amplitudes で試験 - 実機検証の有無は要旨からは不明

5. 議論はある?

- 示唆 - 直線列では高い成功率 - 曲率が増すと性能低下 - 制約・議論 - 検証は simulation のみで、実環境での有効性は要旨からは不明 - GNSS 不安定・cluttered rows・照明変動への実環境での頑健性は要旨からは不明 - 曲率増加時の性能低下への対策は要旨からは不明

6. 次に読むべき論文は?

- 要旨で参照・比較されている研究は明示されていない - 関連手法として次に検討すべきもの - LiDAR を用いた農業ロボットナビゲーションの既存研究 - crop row navigation に関する deep reinforcement learning 研究 - voxel-based downsampling を用いた 3D LiDAR 入力の効率化研究 - sim-to-real transfer に関する研究

※ 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: Ana Luiza Mineiro, Francisco Affonso, Marcelo Becker

分類: cs.RO, cs.AI

原文アブストラクト

Reliable navigation in under-canopy agricultural environments remains a challenge due to GNSS unreliability, cluttered rows, and variable lighting. To address these limitations, we present an end-to-end learning-based navigation system that maps raw 3D LiDAR data directly to control commands using a deep reinforcement learning policy trained entirely in simulation. Our method includes a voxel-based downsampling strategy that reduces LiDAR input size by 95.83%, enabling efficient policy learning without relying on labeled datasets or manually designed control interfaces. The policy was validated in simulation, achieving a 100% success rate in straight-row plantations and showing a gradual decline in performance as row curvature increased, tested across varying sinusoidal frequencies and amplitudes.

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. 2GXO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
  3. 3newmo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
  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