日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

群集ナビゲーションarXiv:2602.06698

Crowd-FM: 群集ナビゲーションのための条件付きフローマッチング生成軌道の学習に基づく最適選択

Crowd-FM: Learned Optimal Selection of Conditional Flow Matching-generated Trajectories for Crowd Navigation

シェア:XThreadsFacebookLINEはてブBluesky

条件付きフローマッチングで衝突回避軌道を生成し、人間らしさを評価するスコア関数で最適な軌道を選択する群集ナビゲーション手法を提案。

詳しい要約

1. どんなもの?

- モバイルロボットの群衆ナビゲーションのための学習ベースの局所計画手法。 - 安全で人間らしい軌道生成を目的とする。 - 二つの新規要素:Conditional Flow-Matching (CFM) ポリシーと人間らしさスコア関数。 - CFMポリシーは最適制御軌道データセットで訓練され、衝突のないプリミティブを生成。 - スコア関数は人間のデモ軌道データセットで学習され、流れプリミティブに人間らしさスコアを付与。 - 推論時には最高スコアの軌道を選択。

2. 先行研究と比べてどこがすごい?

- CFMポリシー単独で、既存の学習ベースベースラインより高い成功率で衝突のないナビゲーションを実現。 - 推論時リファインメントを加えると、高コストな最適化ベース計画手法を上回る性能を発揮。 - スコアリングネットワークは、手動設計のコスト関数よりも専門家データに近い軌道を選択できることを検証。

3. 技術・手法の肝は?

- Conditional Flow-Matching (CFM) ポリシーを最適制御軌道データセットで訓練。 - 最適制御ソルバーがマルチモーダルな衝突回避軌道を生成し、多様なマヌーバを学習。 - 人間のデモ軌道データセット上でスコア関数を学習し、流れプリミティブに人間らしさスコアを付与。 - 推論時には最高スコアの軌道を選択し、必要に応じて推論時リファインメントを適用。

4. どうやって有効だと検証した?

- CFMポリシー単独の成功率を既存の学習ベースベースラインと比較。 - 推論時リファインメントを加えた場合の性能を最適化ベース計画手法と比較。 - スコアリングネットワークが手動設計コスト関数より専門家データに近い軌道を選択することを検証。

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:学習ベースベースライン、最適化ベース計画手法、手動設計コスト関数。 - 関連手法:Conditional Flow-Matching (CFM)、最適制御、スコア関数学習。

※ 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: Antareep Singha, Laksh Nanwani, Mathai Mathew P., Samkit Jain, Phani Teja Singamaneni, Arun Kumar Singh, K. Madhava Krishna

分類: cs.RO

原文アブストラクト

Safe and computationally efficient local planning for mobile robots in dense, unstructured human crowds remains a fundamental challenge. Moreover, ensuring that robot trajectories are similar to how a human moves will increase the acceptance of the robot in human environments. In this paper, we present Crowd-FM, a learning-based approach to address both safety and human-likeness challenges. Our approach has two novel components. First, we train a Conditional Flow-Matching (CFM) policy over a dataset of optimally controlled trajectories to learn a set of collision-free primitives that a robot can choose at any given scenario. The chosen optimal control solver can generate multi-modal collision-free trajectories, allowing the CFM policy to learn a diverse set of maneuvers. Secondly, we learn a score function over a dataset of human demonstration trajectories that provides a human-likeness score for the flow primitives. At inference time, computing the optimal trajectory requires selecting the one with the highest score. Our approach improves the state-of-the-art by showing that our CFM policy alone can produce collision-free navigation with a higher success rate than existing learning-based baselines. Furthermore, when augmented with inference-time refinement, our approach can outperform even expensive optimisation-based planning approaches. Finally, we validate that our scoring network can select trajectories closer to the expert data than a manually designed cost function.

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