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:2602.12492

入力アフィン系に対するナビゲーションのための合成可能なモデルフリー強化学習

Composable Model-Free RL for Navigation with Input-Affine Systems

シェア:XThreadsFacebookLINEはてブBluesky

各環境要素(目標や障害物)ごとに価値関数と最適方策を学習し、オンラインで合成することで、未知の非線形連続時間入力アフィン系において目標到達と衝突回避を実現するモデルフリー強化学習手法を提案。

詳しい要約

1. どんなもの?

- 連続時間の入力アフィン系に対するモデルフリー強化学習手法を提案。 - 各環境要素(ゴールや障害物)ごとに価値関数と最適政策を学習し、オンラインで合成。 - 目的はゴール到達と衝突回避を両立するナビゲーション。 - 静的・動的障害物に対応し、形式保証付きの回避を目指す。

2. 先行研究と比べてどこがすごい?

- 従来のCLF/CBFベースの制御器に代わるモデルフリーのアプローチを提供。 - 個別要素の学習と合成により、未知の動的環境への適応が可能。 - PPOベースライン(離散時間近似)よりも性能向上をシミュレーションで示す。 - 形式保証を価値関数のレベルセットで与える点が新しい。

3. 技術・手法の肝は?

- 連続時間のHamilton-Jacobi-Bellman (HJB) 方程式を導出。 - アドバンテージ関数が行動と最適政策に関して二次形式であることを示す。 - モデルフリーのactor-criticアルゴリズムを導入し、勾配降下法で政策と価値関数を学習。 - 複数の到達/回避モデルをquadratically constrained quadratic program (QCQP) で合成。

4. どうやって有効だと検証した?

- シミュレーションにより、PPOベースライン(離散時間近似)と比較して性能向上を確認。 - 形式保証は価値関数のレベルセットに基づいて検証。 - 静的・動的障害物に対する有効性を評価。

5. 議論はある?

- 形式保証の具体的な条件や限界については要旨からは不明。 - 実世界への適用可能性や計算コストに関する議論は要旨からは不明。 - 他のモデルフリー手法との比較はPPOのみ。

6. 次に読むべき論文は?

- PPO (Proximal Policy Optimization) の論文。 - CLF/CBFベースの制御に関する研究。 - 連続時間強化学習のHJB方程式に関する研究。 - モデルフリー強化学習によるナビゲーションの関連研究。

※ 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: Xinhuan Sang, Abdelrahman Abdelgawad, Roberto Tron

分類: cs.RO, cs.LG

原文アブストラクト

As autonomous robots move into complex, dynamic real-world environments, they must learn to navigate safely in real time, yet anticipating all possible behaviors is infeasible. We propose a composable, model-free reinforcement learning method that learns a value function and an optimal policy for each individual environment element (e.g., goal or obstacle) and composes them online to achieve goal reaching and collision avoidance. Assuming unknown nonlinear dynamics that evolve in continuous time and are input-affine, we derive a continuous-time Hamilton-Jacobi-Bellman (HJB) equation for the value function and show that the corresponding advantage function is quadratic in the action and optimal policy. Based on this structure, we introduce a model-free actor-critic algorithm that learns policies and value functions for static or moving obstacles using gradient descent. We then compose multiple reach/avoid models via a quadratically constrained quadratic program (QCQP), yielding formal obstacle-avoidance guarantees in terms of value-function level sets, providing a model-free alternative to CLF/CBF-based controllers. Simulations demonstrate improved performance over a PPO baseline applied to a discrete-time approximation.

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

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