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:2607.14643

NavCMPO: 批評家誘導型MeanFlowポリシー最適化による適応的ナビゲーション

NavCMPO: Critic-Guided MeanFlow Policy Optimization for Adaptive Navigation

シェア:XThreadsFacebookLINEはてブBluesky

拡散ベースのナビゲーションポリシーの推論遅延と模倣学習の限界を克服するため、数ステップのMeanFlow軌道生成と批評家による軌道修正、強化学習による微調整を組み合わせた二段階適応ナビゲーションフレームワークを提案した。

詳しい要約

1. どんなもの?

NavCMPOは、mapless visual navigationのための2段階適応型フレームワークである。few-step MeanFlow trajectory generation、critic-guided refinement、reinforcement learning fine-tuningを組み合わせる。事前学習では、obstacle proximity prediction taskにより視覚表現がobstacle-aware spatial informationを捉えるようにする。few-step generationによるobstacle avoidanceの劣化を補うため、Critic-Guided Trajectory Refinement (CGTR)が、obstacle-point-cloud supervisionで訓練されたcriticの勾配を用いて中間軌道を洗練する。適応段階では、MeanFlow policyをbehavior-cloning regularization付きのProximal Policy Optimizationでfine-…

2. 先行研究と比べてどこがすごい?

エンドツーエンドの拡散ベースのポリシーは反復的denoisingにより推論遅延が大きく、behavior cloningは専門家デモの質に制限される。NavCMPOはfew-step MeanFlow生成により遅延を削減し、RL fine-tuningによりデモの質を超える可能性を持つ。また、critic-guided refinementとobstacle-aware表現学習により、few-step生成による性能低下を補う点が新しい。

3. 技術・手法の肝は?

手法の肝は、(1) MeanFlowを用いたfew-step trajectory generation、(2) obstacle proximity predictionによる視覚表現の事前学習、(3) obstacle-point-cloud supervisionで訓練されたcriticの勾配を用いたCritic-Guided Trajectory Refinement (CGTR)、(4) behavior-cloning regularization付きのPPOによるfine-tuning、である。

4. どうやって有効だと検証した?

InternVLA-N1 benchmark上で、訓練予算を一致させた条件下で、平均成功率74.7%を達成し、retrained NavDP baselineを6.4ポイント上回った。また、推論遅延を85msから60msに削減した。さらに、Unitree Go2での実験により、sim-to-real転送の有効性を示した。

5. 議論はある?

要旨からは、議論の詳細は不明。ただし、few-step生成によるobstacle avoidanceの劣化をCGTRで補うが、その効果の限界や、criticの更新が適応に与える影響などが考えられる。また、成功率は向上したが、他の指標や複雑な環境での性能は不明。

6. 次に読むべき論文は?

要旨で参照されているNavDP baseline、および関連する拡散ベースのナビゲーションポリシー、MeanFlow、Proximal Policy Optimization、behavior cloning、sim-to-real transferに関する論文が挙げられる。具体的には、拡散ポリシーを用いた視覚ナビゲーションの研究や、RL fine-tuningの手法を読むとよい。

※ 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: Junjie An, Yi Wu, Xiao Liu, Yiqun Zhou, Yuechen Wu, Xiaoqing Guan, You Wang, Guang Li

分類: cs.RO

原文アブストラクト

End-to-end diffusion-based policies have demonstrated strong performance in mapless visual navigation, but their iterative denoising process introduces substantial inference latency, while behavior cloning limits performance to the quality of expert demonstrations. We present NavCMPO, a two-stage adaptive navigation framework that combines few-step MeanFlow trajectory generation, critic-guided refinement, and reinforcement learning fine-tuning. During pre-training, an obstacle proximity prediction task encourages the visual representation to capture obstacle-aware spatial information. To compensate for the degradation in obstacle avoidance caused by few-step generation, Critic-Guided Trajectory Refinement (CGTR) uses gradients from a critic trained with obstacle-point-cloud supervision to refine intermediate trajectories. During adaptation, the MeanFlow policy is fine-tuned using Proximal Policy Optimization with behavior-cloning regularization, while the critic is updated to accommodate embodiment-specific observation changes. Under a matched training budget on the InternVLA-N1 benchmark, NavCMPO achieves an average success rate of 74.7\%, exceeding the retrained NavDP baseline by 6.4 percentage points, while reducing inference latency from 85\,ms to 60\,ms. Experiments on a Unitree Go2 further demonstrate effective sim-to-real transfer.

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

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