日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

動作計画arXiv:2604.13204

疎なロードマップを用いた物理情報ニューラル動作計画の弱教師あり学習

Weakly-supervised Learning for Physics-informed Neural Motion Planning via Sparse Roadmap

シェア:XThreadsFacebookLINEはてブBluesky

疎なロードマップからの弱教師信号と物理情報に基づくPDE正則化を組み合わせた階層型ニューラル時間場(H-NTFields)を提案し、複雑な多部屋環境での動作計画のロバスト性を向上させた。

詳しい要約

1. どんなもの?

本論文は、高次元で混雑した空間における経路計画問題に対し、Hierarchical Neural Time Fields (H-NTFields) を提案する。これは、sparse roadmap からの弱教師あり学習と physics-informed PDE 正則化を組み合わせたフレームワークである。従来の physics-informed 手法である Neural Time Fields (NTFields) が複数部屋環境でスケールしにくい問題に対処し、大域的な整合性と局所的な幾何忠実性を両立させる。

2. 先行研究と比べてどこがすごい?

先行研究の NTFields は自己教師ありで Eikonal 方程式を解き value function を学習するが、複雑な multi-room 環境ではサンプル数を増やしても局所解や大域的一貫性の問題を解決できなかった。H-NTFields は sparse roadmap による弱監督を導入し、travel time の上限・下限という大域的トポロジカルアンカーを与えることで、従来法より堅牢性を大幅に改善した。また連続的な value 表現により高速な amortized inference を可能にした。

3. 技術・手法の肝は?

技術の肝は、sparse roadmap から得られる travel time の upper bound と lower bound を弱監督信号として用い、同時に physics-informed な PDE 損失で局所的な幾何忠実性と障害物を考慮した伝播を強制する点にある。これにより、大域的なトポロジー情報と局所的な物理法則を統合した学習が行われる。

4. どうやって有効だと検証した?

18 の Gibson 環境と実ロボットプラットフォームでの実験により、H-NTFields が従来の physics-informed 手法と比較して堅牢性を大幅に向上させることを示した。また、連続的な value 表現による高速な amortized inference が可能であることも検証された。

5. 議論はある?

議論の詳細は要旨からは不明。ただし、既存の physics-informed 手法が複数部屋環境でスケールしない問題を指摘し、sparse roadmap による弱監督が有効であることを示唆している。

6. 次に読むべき論文は?

Neural Time Fields (NTFields) や Eikonal 方程式に基づく physics-informed 手法、および sparse roadmap を用いた経路計画手法が関連研究として挙げられる。また、Gibson 環境を用いた学習ベース経路計画の研究も参考になる。

※ 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: Ruiqi Ni, Yuchen Liu, Ahmed H. Qureshi

分類: cs.RO

原文アブストラクト

The motion planning problem requires finding a collision-free path between start and goal configurations in high-dimensional, cluttered spaces. Recent learning-based methods offer promising solutions, with self-supervised physics-informed approaches such as Neural Time Fields (NTFields) solving the Eikonal equation to learn value functions without expert demonstrations. However, existing physics-informed methods struggle to scale in complex, multi-room environments, where simply increasing the number of samples cannot resolve local minima or guarantee global consistency. We propose Hierarchical Neural Time Fields (H-NTFields), a weakly-supervised framework that combines weak supervision from sparse roadmaps with physics-informed PDE regularization. The roadmap provides global topological anchors through upper and lower bounds on travel times, while PDE losses enforce local geometric fidelity and obstacle-aware propagation. Experiments on 18 Gibson environments and real robotic platforms show that H-NTFields substantially improves robustness over prior physics-informed methods, while enabling fast amortized inference through a continuous value representation.

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

OZ GAMING(GPU搭載BTOゲーミングPC)

OZ GAMING(GPU搭載BTOゲーミングPC)の公式広告バナーOZ GAMINGで完成品PCを見る ↗
PR本紙発行元 EmplifAI