少ないデータで実現するスケーラブルな視覚ナビゲーション

- モバイルロボットの goal-conditioned visual navigation のための transformer-based な visual navigation policy である LiMo を提案。 - 単一の RGB 観測から goal-conditioned SE(2) 軌道を予測する。 - 限られた human demonstrations に classical geometric planners が生成した synthetic trajectories を追加して学習する。 - 実ロボット展開も行い、データ効率の良い visual navigation を目指す。

- 従来の imitation learning は human demonstrations の量と多様性に強く依存し、高コストなデータ収集が課題。 - 本研究は classical geometric planners による synthetic trajectories を併用することで、限られた expert demonstrations でも性能を大幅に向上できることを示す。 - 「より多くの demonstrations を集める」のではなく、多様で高品質なデータセットを戦略的にキュレーションすることが重要だと主張。

- classical geometric planners を活用し、synthetic trajectories を生成して human demonstrations を補完。 - transformer-based な policy が単一 RGB 観測から goal-conditioned SE(2) 軌道を予測。 - 限られた expert demonstrations に planner-generated supervision を追加して学習。 - dataset scale と diversity が planning performance に与える影響を ablation で分析。

- 限られた expert demonstrations に planner-generated supervision を追加することで性能が大幅に向上することを確認。 - ablations および定性的・定量的分析により、dataset scale と diversity の影響を特徴づけ。 - 実ロボット展開を実施し、有効性を検証。

- ロバストな visual navigation は、単に demonstrations を増やすのではなく、多様で高品質なデータセットを戦略的にキュレーションすることで実現される。 - scalable で embodiment-specific な geometric supervision が、データ効率の良い visual navigation への実用的な道筋であると示唆。 - 具体的な限界や課題については要旨からは不明。

- 要旨で参照・比較されている具体的な先行研究は明記されていない。 - 関連手法として classical geometric planners、imitation learning、transformer-based visual navigation policy が挙げられる。 - 同分野の定番として goal-conditioned visual navigation、imitation learning、synthetic data augmentation に関する研究が次に読むべき候補。