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:2606.04569

MineXplore: GNSS非依存地下環境向けオープンソース強化学習探索ベンチマーク

MineXplore: An Open-Source Reinforcement Learning Exploration Benchmark for GNSS-Denied Underground Environment

シェア:XThreadsFacebookLINEはてブBluesky

実在の地下鉱山データに基づくMuJoCoベースのナビゲーションベンチマークを構築し、PPOエージェントの学習が可能であることを実証した。

詳しい要約

1. どんなもの?

- GNSS-denied地下鉱山環境における自律ロボットナビゲーションのためのオープンソース強化学習探索ベンチマーク。 - MuJoCoベースで、Leung et al. 2017のチリ地下銅鉱山データセットから派生。 - 104,423平方メートルのトンネルネットワークを再構築し、八角形断面、LiDAR由来のギザギザ壁、3つの摩擦ゾーン、5度の傾斜、スポットライトを含む。 - 幾何学的忠実度はIoU 0.9538、表面テクスチャ類似度は79.4%。 - 単一エージェントPPOベースラインをRLlibで5シード訓練し、最高88.89%のカバレッジを達成。

2. 先行研究と比べてどこがすごい?

- 従来、実生産鉱山の形状に基づきGPU加速学習パイプラインと互換なオープンソースシミュレーションベンチマークは存在しなかった。 - MineXploreは実鉱山データセットから派生し、リアルな地下センシングとトポロジーを再現。 - 幾何学的忠実度が高く(IoU 0.9538)、テクスチャ類似度も79.4%と評価されている。 - 安定かつ再現可能なポリシー学習をサポートすることを確認。

3. 技術・手法の肝は?

- MuJoCoベースのナビゲーションベンチマーク。 - 6段階のcontour-to-MJCFパイプラインでトンネルネットワークを再構築。 - 八角形壁断面、LiDAR由来のギザギザ壁形状、3つの地形摩擦ゾーン、全体5度の傾斜、周期的なスポットライトを組み込む。 - 単一エージェントPPOをRLlibで訓練。

4. どうやって有効だと検証した?

- 幾何学的忠実度をIoU 0.9538で検証(ソースサーベイマップとの比較)。 - 表面テクスチャ類似度を6つの構造次元で79.4%と評価。 - 単一エージェントPPOベースラインを5つの独立したランダムシードで訓練し、最高rolling coverage 88.89%を達成(5シード中3つが90%カバレッジ目標に到達)。 - 安定かつ再現可能なポリシー学習を確認。

5. 議論はある?

- 要旨からは不明。

6. 次に読むべき論文は?

- Leung et al. 2017(チリ地下銅鉱山データセット) - MuJoCo - RLlib - PPO

※ 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: Abhishek S, Badrikanath Praharaj, Sreeram MV

分類: cs.RO

原文アブストラクト

Underground mines present extreme conditions for autonomous robot navigation: GPS is denied, lighting is degraded, and tunnel topology is loop-rich and non-convex. Simulation benchmarks grounded in real production-mine geometry and compatible with GPU-accelerated learning pipelines do not yet exist in the open-source ecosystem. We present MineXplore, an open-source MuJoCo-based navigation benchmark derived from the Leung et al. 2017 Chilean underground copper mine dataset. The environment reconstructs a 104,423 sq.m tunnel network through an six-stage contour-to-MJCF pipeline incorporating octagonal wall cross-sections, LiDAR-sourced jagged wall geometry, three terrain friction zones, a global 5 degree incline, and periodic spot lighting. Geometric fidelity is validated at an Intersection over Union (IoU) of 0.9538 against the source survey map, and surface texture similarity scores 79.4% across six structural dimensions. A single-agent PPO baseline trained via RLlib across five independent random seeds achieves a best rolling coverage of 88.89% (3 of 5 seeds reaching the 90% coverage target), confirming that MineXplore supports stable and reproducible policy learning under realistic underground sensing and topology.

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. 3Google DeepMind、ロボット向けAIを発表新製品・発表
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5GXO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

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