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:2606.03756

ゼロショット汎化可能な動作計画のためのニューラルナビゲーション関数

Neural Navigation Functions for Zero-Shot Generalizable Motion Planning

シェア:XThreadsFacebookLINEはてブBluesky

学習したナビゲーション関数を構造化された楕円型プランナーに組み込み、未知の環境形状に対してゼロショットで転移可能な衝突回避動作を生成する手法を提案した。

詳しい要約

1. どんなもの?

- 提案手法: Neural Navigation Functions (Neural-NF) - 学習ベースの反応的ナビゲーション関数 - 未知の環境形状に対して zero-shot transfer が可能 - 構造: 楕円型プランナーにデータ駆動適応を組み込む - ナビゲーション目的を学習しつつ、プランナー構造を構成的に保持 - 出力: 各目標領域で大域的に一貫した value function - 衝突回避、単調降下、目標での大域最小値を構成的に保証 - 解釈: 任意のパラメータ設定で線形解法可能な最適制御問題として解釈可能

2. 先行研究と比べてどこがすごい?

- 先行研究: 直接 value function を予測する学習プランナー - 比較: Neural-NF は多様な形状で強い zero-shot transfer を達成 - 直接予測型の学習プランナーを最大 5 倍改善 - 優位性: 学習モデルが常に衝突回避・単調降下・大域最小値を構成的に保証 - 構造を保持するため、未知環境への一般化が高い

3. 技術・手法の肝は?

- 核: データ駆動適応を構造化楕円型プランナー内に配置 - ナビゲーション目的を学習し、プランナー構造は構成的に保持 - 特徴: 内在的 Laplacian 由来特徴を局所 PDE 係数にマッピング - 各目標領域で境界値問題を解き、大域的に一貫した value function を生成 - 保証: 許容学習モデルに対し、衝突回避・単調降下・目標大域最小値を構成的に保証 - 任意のパラメータ設定で線形解法可能な最適制御解釈が可能

4. どうやって有効だと検証した?

- 検証: 多様な環境形状での zero-shot transfer を実験的に評価 - 直接 value function を予測する学習プランナーと比較 - 結果: 最大 5 倍の改善を達成 - 具体的なデータセットや評価指標は要旨からは不明

5. 議論はある?

- 議論: 要旨からは不明 - 限界、失敗事例、計算コスト、スケーラビリティに関する議論は記載なし

6. 次に読むべき論文は?

- 関連研究: 直接 value function を予測する学習プランナー - 具体的な論文名は要旨に記載なし - 同分野の定番: 学習ベースの motion planning、reactive navigation、optimal control、PDE ベースのプランニング

※ 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: Benjamin D. Shaffer, Pei-An Hsieh, Brooks Kinch, Nathaniel Trask, M. Ani Hsieh

分類: cs.RO, cs.LG

原文アブストラクト

We introduce Neural Navigation Functions (Neural-NF), a learned reactive navigation function capable of zero-shot transfer across unseen environment geometries. Neural-NF places data-driven adaptation within a structured elliptic planner, where the navigation objective is learned while planner structure is preserved by construction. Specifically, intrinsic Laplacian-derived features are mapped to local PDE coefficients, and solving the resulting boundary value problem produces a globally consistent value function on each target domain. For every admissible learned model, the resulting policy is collision-free, provides monotonic descent and a global minimum at the goal by construction. This admits a linearly-solvable optimal-control interpretation for any parameter setting. Empirically, Neural-NF achieves strong zero-shot transfer across diverse geometries and outperforms learned planners that directly predict the value function by up to a $5\times$ improvement.

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

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