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:2607.11739

AutoPath: 人間のデモなしで安全なナビゲーションを実現する転移可能な目標条件付き確率的経路事前分布の学習

AutoPath: Learning Transferable Goal-Conditioned Stochastic Path Prior for Safe Navigation Without Human Demonstrations

シェア:XThreadsFacebookLINEはてブBluesky

ロボットナビゲーションにおいて、障害物を回避する複数の経路をサンプリングできる確率的経路事前分布を学習し、異なるロボットプラットフォーム間で再学習なしに転移可能な安全な経路生成を実現した。

詳しい要約

1. どんなもの?

本論文は、人間のデモンストレーションを必要とせずに、移動ロボットの安全なナビゲーションを実現するための、転移可能なゴール条件付き確率的経路事前分布(goal-conditioned stochastic path prior)を学習するフレームワーク「AutoPath」を提案する。この事前分布は、局所観測に基づいてゴールに整合し幾何学的に一貫した局所経路の分布をモデル化し、サンプリングにより複数の実行可能な経路を探索することを可能にする。ロボット固有の運動制約に依存しないため、異なるプラットフォーム間での転移が可能である。

2. 先行研究と比べてどこがすごい?

従来のナビゲーション手法は、単一の最適経路を計画するか、ロボット固有の運動モデルに依存することが多く、混雑環境での多様な経路の扱いや、異なるロボットへの転移が困難であった。また、人間のデモンストレーションを必要とする学習ベースの手法もあった。AutoPathは、確率的経路事前分布を学習することで、複数の実行可能な経路をサンプリングでき、ロボット非依存の表現を用いることで、デモなしでクロスプラットフォーム転移を実現する点が新しい。

3. 技術・手法の肝は?

手法の核は、(1) ゴール整合な正準状態表現(goal-aligned canonical state representation)を導入し、面内の回転曖昧性を除去して局所幾何をゴールに対して正規化することで、回転不変な経路分布学習を可能にする点、(2) 局所経路を幾何認識型の極座標行動多様体(geometry-aware polar action manifold)でパラメータ化する構造化事前学習フレームワーク、(3) リスク感応型の効用整形(risk-sensitive utility shaping)とマルチゴール分布ロールアウト(multi-goal distributional rollouts)を組み合わせ、安定かつ安全を意識したプランニングを実現する点である。

4. どうやって有効だと検証した?

密集した静的環境と動的な歩行者シナリオにおける広範な実験を行い、提案手法が一貫して高い成功率を達成し、効率性も競争力があることを示した。さらに、差動駆動ロボットで学習した単一の経路事前分布を、再学習なしで四足歩行プラットフォームに転移できることを実証した。

5. 議論はある?

要旨からは、提案手法の限界や潜在的な欠点についての議論は不明である。ただし、確率的経路事前分布の学習には、多様な環境でのデータ収集が必要となる可能性や、動的環境での安全性保証の厳密性などが課題として考えられるが、要旨には明記されていない。

6. 次に読むべき論文は?

要旨で参照されている関連研究は明示されていないが、同分野の定番として、学習ベースのナビゲーション手法(例えば、Reinforcement Learningを用いた手法)や、モデル予測制御(Model Predictive Control)に基づく手法、また、確率的計画手法(stochastic planning)に関する論文が挙げられる。具体的には、'Learning to Navigate in Dynamic Environments with Deep Reinforcement Learning'や'Socially Aware Motion Planning with Deep Reinforcement Learning'などが関連する。

※ 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: Ziyang Zhang, Boyang Zhou, Zesong Yang, Haocheng Peng, Zeming Gai, Xiao Liang, Yujun Shen, Danping Zou, Ruizhen Hu, Hujun Bao, Zhaopeng Cui

分類: cs.RO

原文アブストラクト

Real-time navigation in cluttered and dynamic environments requires collision-free and dynamically feasible motion under limited perception. However, feasible navigation behaviors are inherently multimodal because multiple paths may exist around obstacles. In this paper, we formulate navigation as learning a transferable goal-conditioned stochastic path prior that models a reusable distribution over goal-aligned geometry-consistent local paths conditioned on local observations. This formulation enables structured sampling of navigation candidates, allowing multiple feasible paths to be explored through sampling without relying on robot-specific motion constraints. To this end, we introduce a goal-aligned canonical state representation that removes in-plane rotational ambiguity and normalizes local geometry with respect to the goal, enabling rotation-invariant path distribution learning. We further develop a structured prior learning framework that parameterizes local paths using a geometry-aware polar action manifold and incorporates risk-sensitive utility shaping with multi-goal distributional rollouts for stable and safety-aware planning. Extensive experiments in dense static environments and dynamic pedestrian scenarios demonstrate that the proposed method achieves consistently high success rates with competitive efficiency while enabling cross-platform transfer of a single path prior learned on differential-drive robots to quadruped platforms without retraining.

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

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