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:2605.14810

CaMeRL: 衝突認識と記憶強化によるマルチスケール障害物環境でのUAVナビゲーション強化学習

CaMeRL: Collision-Aware and Memory-Enhanced Reinforcement Learning for UAV Navigation in Multi-Scale Obstacle Environments

シェア:XThreadsFacebookLINEはてブBluesky

UAVの障害物回避ナビゲーションにおいて、障害物のスケール変化に着目し、衝突リスクを考慮した潜在表現と時間的記憶モジュールを導入した強化学習フレームワークCaMeRLを提案した。

詳しい要約

1. どんなもの?

- UAVのobstacle avoidance navigationを対象とした強化学習フレームワークCaMeRLを提案。 - 障害物のscale変化に着目し、multi-scale obstacle環境での性能劣化を解決。 - collision-aware latent representationとtemporal memory moduleを統合。 - ultra-smallからextra-largeまでの障害物設定で評価。

2. 先行研究と比べてどこがすごい?

- 既存手法は単一フレームdepthから純粋な幾何特徴を抽出し、障害物の数や密度を重視。 - 障害物scaleの変化はほとんど注目されていなかった。 - 小障害物を見落とし、大障害物によるocclusionで空間的文脈を失う問題があった。 - CaMeRLは全scaleでstate-of-the-art baselineを上回り、ultra-smallで成功率+0.48、extra-largeで+0.28。

3. 技術・手法の肝は?

- collision-aware latent representation: risk-sensitive depth cuesを符号化し、細粒度の障害物構造を保持。小障害物への感度を向上。 - temporal memory module: 複数フレームの観測を統合し、大障害物のocclusionによるpartial observabilityを緩和。 - これらを組み合わせた強化学習フレームワーク。

4. どうやって有効だと検証した?

- multi-scale obstacles(ultra-smallおよびextra-large設定を含む)で評価。 - state-of-the-art baselinesと比較し、全scaleで成功率向上を確認。 - さらにcluttered outdoor environmentsで信頼性の高いナビゲーションを達成。

5. 議論はある?

- 要旨からは不明。 - 限界や失敗事例、計算コスト、実機実験の詳細などは記述されていない。

6. 次に読むべき論文は?

- 要旨で参照/比較されている具体的な先行研究は不明。 - 同分野の定番として、UAV navigationの深層強化学習(例: DQN, PPO, SAC)やdepth-based obstacle avoidance、memory-based RL(例: LSTM, Transformer)に関する論文が挙げられる。

※ 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: Hong Hong, Feiyu Liao, Yongheng Liang, Boning Zhang, Haitao Wang, Hejun Wu

分類: cs.RO

原文アブストラクト

In obstacle avoidance navigation of unmanned aerial vehicles (UAVs), variations in obstacle scale have received strangely less attention than obstacle number or density. Existing methods typically extract purely geometric features from single-frame depth observations. Such representations tend to neglect small obstacles and lose spatial context under occlusions caused by large obstacles, leading to noticeable degradation in environments with multi-scale obstacles. To address this issue, we propose CaMeRL, a Collision-aware and Memory-enhanced Reinforcement Learning framework for UAV navigation. The collision-aware latent representation encodes risk-sensitive depth cues to preserve fine-grained obstacle structures, thereby improving sensitivity to small obstacles. The temporal memory module integrates observations across frames, mitigating partial observability caused by large-obstacle occlusions. We evaluate CaMeRL with multi-scale obstacles, including ultra-small and extra-large obstacle settings. Results show that CaMeRL outperforms state-of-the-art baselines across all scales, with success rate gains of 0.48 and 0.28 in the ultra-small and extra-large settings, respectively. More importantly, CaMeRL achieves reliable navigation in cluttered outdoor environments.

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