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:2607.10288

PIER-Flow: 物理情報を活用した効率的な整流フローによるリアルタイム移動ロボットナビゲーション

PIER-Flow: Physics-Informed Efficient Rectified Flow for Real-Time Mobile Robot Navigation

シェア:XThreadsFacebookLINEはてブBluesky

MPC専門家を連続時間ODEに蒸留し、単一ステップの行動生成を実現する軽量ナビゲーションポリシーを提案。物理整合性を強制する訓練目標と非同期アクションチャンキングにより、高密度環境で高速かつ安全なナビゲーションを実現した。

詳しい要約

1. どんなもの?

PIER-Flowは、高密度で動的な環境におけるモバイルロボットの自律ナビゲーションのための軽量なポリシーである。MPC専門家を連続時間の常微分方程式(ODE)に蒸留し、並列潜在サンプリングと軽量な実現可能性選択により単一ステップのアクション生成を実現する。物理情報に基づくトレーニング目的と非同期アクションチャンキングアーキテクチャを導入し、シミュレーションから実世界への展開を堅牢にする。

2. 先行研究と比べてどこがすごい?

最適化ベースのMPCは物理的実現可能性と安全性を明示的に扱うが、繰り返しの非線形最適化によりリアルタイム応答性が制限される。決定論的な行動クローニングポリシーは推論が効率的だが、多峰性の回避行動を表現できない。拡散ポリシーは多峰性を捉えるが、反復的ノイズ除去に時間がかかる。PIER-Flowは、MPCの専門知識を蒸留しつつ、単一ステップ生成により拡散モデルよりはるかに高速で、決定論的ポリシーよりも多峰性を扱える可能性がある。

3. 技術・手法の肝は?

手法の肝は、MPC専門家を連続時間ODEに蒸留すること、物理情報に基づくトレーニング目的で運動学的整合性を強制すること、並列潜在サンプリングと軽量な実現可能性選択による単一ステップアクション生成、および非同期アクションチャンキングアーキテクチャによる堅牢なsim-to-real展開である。

4. どうやって有効だと検証した?

広範なシミュレーションにより、98.85%の成功率とゼロ衝突を達成し、平均推論時間は約1.29msで、MPCと比較して37.2倍、標準的な拡散モデルと比較して800倍以上の計画加速を実現した。さらに、リソース制約のあるエッジコンピュータでの実世界展開では、約5.3msの安定した推論レイテンシを達成し、計画ベースラインで観察されたレイテンシスパイクやフリーズイベントを回避した。

5. 議論はある?

要旨からは、議論の余地や限界についての詳細は不明である。ただし、提案手法はシミュレーションと実世界の両方で有効性を示しているが、他の環境やロボットへの一般化、安全性の保証、障害物の不確実性への対処などについては言及されていない。

6. 次に読むべき論文は?

要旨で参照されている関連研究として、Model Predictive Control (MPC)、拡散ポリシー、行動クローニング、およびRectified Flowが挙げられる。次に読むべき論文としては、Rectified Flowの元論文や、拡散ポリシーを用いたロボットナビゲーションの研究が考えられる。

※ 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: Shibo Li, Zhongcheng Wang, Jiahe Cao, Jianhua Yang, Ke Wu

分類: cs.RO

原文アブストラクト

Autonomous navigation in dense and highly dynamic environments requires both physically feasible control and low-latency replanning. Optimization-based methods such as Model Predictive Control (MPC) explicitly handle robot kinematics and safety constraints, but repeated nonlinear optimization can limit real-time responsiveness. Deterministic behavior-cloning policies enable efficient inference but may fail to represent multimodal avoidance behaviors, whereas diffusion policies capture multimodality at the cost of time-consuming iterative denoising. We propose PIER-Flow (Physics-Informed Efficient Rectified Flow), a lightweight navigation policy for mobile robots. By distilling an MPC expert into a continuous-time Ordinary Differential Equation (ODE), PIER-Flow achieves single-step action generation through parallel latent sampling and lightweight feasibility selection. We introduce a physics-informed training objective to enforce kinematic consistency, paired with an asynchronous action chunking architecture for robust sim-to-real deployment. Extensive simulations demonstrate that PIER-Flow achieves a 98.85\% success rate and zero collisions, with an average inference of $\sim$1.29 ms, which accelerates planning by 37.2$\times$ compared to MPC and over 800$\times$ against standard diffusion models. Crucially, real-world deployment on a resource-constrained edge computer further achieves an approximately stable inference latency of $\sim$5.3 ms, avoiding the latency spikes and freezing events observed with planning baselines.

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