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:2607.11029

わずか58万の学習可能パラメータで効率的なナビゲーションを学習する

Learning to Navigate Efficiently with Only 0.58M Trainable Parameters

シェア:XThreadsFacebookLINEはてブBluesky

閉形式の幾何計算と3つの小さな学習モジュールを組み合わせた分解型ナビゲーションモデルを提案し、極めて少ないパラメータとデータで高性能を達成した。

詳しい要約

1. どんなもの?

本論文は、視覚ナビゲーションタスクにおいて、大規模なエンドツーエンド学習に頼らず、既知の閉形式構造(射影幾何、占有、座標変換など)を解析的に計算し、それらを3つの小さな学習モジュール(egress predictor、navigation predictor、endpoint-pinned residual diffusion generator)のインターフェースとして用いる分解型ナビゲーションモデルを提案している。全体の22.7Mパラメータのうち、学習するのはわずか0.58Mであり、44kフレーム、1GPU時間未満の学習で、6060のpoint-goalエピソードと60環境において、最先端モデルに迫る性能を達成する。また、学習パラメータは233倍少なく、衝突率は評価した全手法中で最低、Jetson Xavier NX上で10Hz以上の推論速度を実現する。さらに、この分解は、egress head(123kパラメータ)のみを再学習することで、ゴールなし探索タスクにも転移し、センサー劣化時の故障モードは透明で解析的に修正可能である。

2. 先行研究と比べてどこがすごい?

先行研究は、数億パラメータのエンドツーエンドポリシーを数十億フレームや大規模シミュレーションデータで学習するスケール重視のアプローチが主流である。本研究は、単一タスクファミリーにはそのようなスケールが本当に必要か疑問を呈し、構造化された分解によってスケールを代替できることを示す点が優れている。具体的には、学習パラメータを0.58Mにまで削減しつつ、最先端モデルに匹敵する性能を達成し、さらに衝突率の低さやエッジデバイスでの高速推論を実現している。また、ゴールなし探索への転移やセンサー劣化への頑健性も、従来のブラックボックス的エンドツーエンドモデルにはない利点である。

3. 技術・手法の肝は?

手法の核は、ナビゲーションを分解し、既知の閉形式構造を解析的に計算することである。具体的には、射影幾何、占有グリッド、座標変換などを解析的に扱い、それらを3つの小さな学習モジュールの間のインターフェースとして用いる。egress predictorは、エピソードのゴールを現在のビュー内のローカルなサブゴールとして接地する。navigation predictorは、軌道がどこを通るかのゴール条件付き事後分布を推定する。endpoint-pinned residual diffusion generatorは、この事後分布から軌道形状をサンプリングする。全体のパラメータのうち学習するのは0.58Mのみで、残りは固定または解析的に計算される。

4. どうやって有効だと検証した?

有効性は、6060のpoint-goalエピソードと60環境でのナビゲーションタスクにおいて、最先端モデルと比較して評価された。その結果、学習パラメータが233倍少ないにもかかわらず、最先端モデルに迫る性能を達成し、衝突率は全評価手法中で最低であった。また、Jetson Xavier NX上で10Hz以上の推論速度を確認した。さらに、ゴールなし探索タスクへの転移では、egress headのみを再学習(123kパラメータ)して有効性を示し、センサー劣化時の故障モードが透明で解析的に修正可能であることも検証した。

5. 議論はある?

議論として、提案手法はスケールに依存しない構造化が有効であることを示すが、タスクの複雑さが増した場合や多様な環境での一般化については、要旨からは不明である。また、解析的計算に依存するため、センサー劣化や環境の動的変化に対しては、故障モードが透明である一方で、その修正が常に可能かどうかは議論の余地がある。さらに、学習データが44kフレームと小規模であるが、そのデータの多様性や収集方法についての詳細は要旨にない。

6. 次に読むべき論文は?

要旨で参照されている先行研究は明示されていないが、関連する分野として、視覚ナビゲーションにおけるエンドツーエンド学習(例:大規模モデルによる手法)、拡散モデルを用いた軌道生成、モデルベースのナビゲーション手法などが挙げられる。具体的には、'Habitat'や'PointGoal'ベンチマークに関する論文、'Diffusion Policy'などの拡散モデルを用いた軌道生成手法、'Active Neural SLAM'などのモデルベース手法を読むことが推奨される。

※ 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: Edward Beng Wai Tan, Siew-Kei Lam

分類: cs.RO, cs.CV

原文アブストラクト

Recent progress in visual navigation has largely been driven by scale: end-to-end policies with hundreds of millions of parameters trained on billions of frames or large-scale simulated data. We ask how much of this scale a single task family actually requires, and what structure can substitute for it. We propose a decomposed navigation model in which operations with known closed-form structure, such as projective geometry, occupancy, and coordinate transforms, are computed analytically and serve as interfaces between three small learned modules: an egress predictor that grounds the episode goal as a local subgoal in the current view, a navigation predictor that estimates a goal-conditioned posterior over where trajectories travel, and an endpoint-pinned residual diffusion generator that samples trajectory shapes from this posterior. The system trains only 0.58M out of a total of 22.7M parameters, on 44k frames in under one GPU-hour, yet approaches the performance of state-of-the-art models on navigation tasks across 6060 point-goal episodes and 60 environments, while having 233$\times$ fewer trainable parameters, the lowest collision rate among all evaluated methods, and 10+ Hz inference rate on a Jetson Xavier NX. The decomposition further transfers to no-goal exploration by retraining only the 123k-parameter egress head, and its failure modes under sensor corruption are transparent and analytically correctable.

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

PR・アフィリエイト広告

FRONTIER(GPU搭載BTOパソコン)

FRONTIER(GPU搭載BTOパソコン)の公式広告バナーFRONTIERでGPU搭載PCを見る ↗
PR本紙発行元 EmplifAI