日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

経路計画arXiv:2601.19354

非構造環境における自己教師あり経路計画:大域的誘導と微分可能なハード制約射影による手法

Self-Supervised Path Planning in Unstructured Environments via Global-Guided Differentiable Hard Constraint Projection

シェア:XThreadsFacebookLINEはてブBluesky

手動ラベルなしで密な教師信号を与える大域的誘導人工ポテンシャル場と、ネットワーク出力を実行可能領域へ射影する微分可能な制約層を組み合わせ、組み込み機器上でリアルタイムに安全な経路計画を行う自己教師あり学習フレームワークを提案した。

詳しい要約

1. どんなもの?

- 非構造環境での自律ナビゲーションのための深層学習エージェントの展開を目的とした研究。 - 安全性、データ不足、計算資源制約に対処する自己教師ありフレームワークを提案。 - 実行時保証のための微分可能なハード制約投影層を組み込む。 - 手動ラベリングなしで密な監督信号を提供するGlobal-Guided Artificial Potential Field (G-APF)を構築。 - アクチュエータ制限と幾何学的制約を効率的に強制する適応的ニューラル投影層を採用。

2. 先行研究と比べてどこがすごい?

- 従来のソルバーは高遅延に悩まされ、学習ベースのアプローチは決定論的実現可能性の確保が困難。 - 提案手法は微分可能なハード制約投影層により実行時保証を提供。 - 自己教師あり学習によりデータ不足を緩和。 - 組み込みハードウェア上でのリアルタイム推論を実現。

3. 技術・手法の肝は?

- 自己教師ありフレームワーク。 - Global-Guided Artificial Potential Field (G-APF)による密な監督信号の生成。 - 適応的ニューラル投影層による粗いネットワーク出力の実行可能多様体への反復的修正。 - 微分可能なハード制約投影層による実行時保証。

4. どうやって有効だと検証した?

- 20,000シナリオのテストセットでベンチマークを実施し、88.75%の成功率を達成。 - CARLAでの閉ループ実験により動的制約下での計画経路の物理的実現可能性を検証。 - NVIDIA Jetson Orin NX上での展開検証で94 msの推論遅延を確認し、リソース制約のある組み込みハードウェアでのリアルタイム実現可能性を示す。

5. 議論はある?

- 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。 - 同分野の定番として、Traditional solvers、learning-based approaches、CARLA、NVIDIA Jetson Orin NXが挙げられる。

※ 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: Ziqian Wang, Chenxi Fang, Zhen Zhang

分類: cs.RO, cs.SY, eess.SY

原文アブストラクト

Deploying deep learning agents for autonomous navigation in unstructured environments faces critical challenges regarding safety, data scarcity, and limited computational resources. Traditional solvers often suffer from high latency, while emerging learning-based approaches struggle to ensure deterministic feasibility. To bridge the gap from embodied to embedded intelligence, we propose a self-supervised framework incorporating a differentiable hard constraint projection layer for runtime assurance. To mitigate data scarcity, we construct a Global-Guided Artificial Potential Field (G-APF), which provides dense supervision signals without manual labeling. To enforce actuator limitations and geometric constraints efficiently, we employ an adaptive neural projection layer, which iteratively rectifies the coarse network output onto the feasible manifold. Extensive benchmarks on a test set of 20,000 scenarios demonstrate an 88.75\% success rate, substantiating the enhanced operational safety. Closed-loop experiments in CARLA further validate the physical realizability of the planned paths under dynamic constraints. Furthermore, deployment verification on an NVIDIA Jetson Orin NX confirms an inference latency of 94 ms, showing real-time feasibility on resource-constrained embedded hardware. This framework offers a generalized paradigm for embedding physical laws into neural architectures, providing a viable direction for solving constrained optimization in mechatronics. Source code is available at: https://github.com/wzq-13/SSHC.git.

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

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