日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

プランニングarXiv:2607.19284

敵対的環境下における確率的マルチ目的キノダイナミックプランニング

Stochastic Multi-Objective Kinodynamic Planning Against Adversaries

シェア:XThreadsFacebookLINEはてブBluesky

確率的に敵対モードへ遷移するハイブリッド敵対者を含む環境で、実行コストと安全違反リスクをトレードオフするパレート最適経路を、閉ループポリシー系列とモンテカルロ粒子ロールアウトを用いて構築する手法を提案した。

詳しい要約

1. どんなもの?

本論文は、確率的ハイブリッド敵対者(stochastic hybrid adversaries)が存在する環境における多目的キノダイナミックプランニング(multi-objective kinodynamic planning)を扱う。敵対者はego stateに基づいて確率的に敵対モードへ遷移する。目標は、実行コストと安全制約違反確率(リスク)をトレードオフする経路のPareto-frontを構築することである。既存のchance-constrained plannersは開ループ軌道に対してリスクを評価するため、ego-agentの反応性を考慮できず過度に保守的になる。この限界に対処するため、計画空間を閉ループポリシーの系列に移し、モンテカルロ粒子ロールアウトによるサンプルベースのリスク評価をツリー構築に直接統合する。提案手法として、確率的完全性を証明したStochastic Multi-Objective RRT (SMO-RRT)と、選択的プルーニングにより数値性能を向上させるが完全性を犠牲にするStochastic Multi-Objective Stable Sparse…

2. 先行研究と比べてどこがすごい?

先行研究のchance-constrained plannersは開ループ軌道に対してリスクを評価するため、ego-agentの反応性を考慮できず過度に保守的な解を生成する。本手法は、計画空間を閉ループポリシーの系列に拡張し、サンプルベースのリスク評価をツリー構築に統合することで、この保守性を低減する。さらに、非ガウス・状態依存不確実性に対する有限サンプルバウンドを導出し、確率的に安全なプランニングを理論的に保証する点が新しい。

3. 技術・手法の肝は?

手法の核は、計画空間を閉ループポリシーの系列とし、モンテカルロ粒子ロールアウトを用いてリスクをサンプルベースで評価することである。具体的には、Stochastic Multi-Objective RRT (SMO-RRT)を提案し、確率的完全性を証明する。さらに、Stochastic Multi-Objective Stable Sparse RRT (SMO-SST)では、選択的プルーニングを導入して数値性能を向上させる。また、非ガウス・状態依存不確実性に対するchance constraint違反確率の有限サンプルバウンドを導出する。

4. どうやって有効だと検証した?

要旨からは、理論的な証明(確率的完全性、有限サンプルバウンド)が主な検証であり、具体的な実験やシミュレーションの詳細は不明。ただし、マルチエージェントシステム、社会的ナビゲーション、自動運転などへの適用可能性が述べられている。

5. 議論はある?

SMO-SSTは選択的プルーニングにより数値性能を向上させるが、完全性を犠牲にするというトレードオフがある。また、サンプルベースのリスク評価は計算コストが高い可能性があり、実時間適用には課題が残る。さらに、有限サンプルバウンドは理論的保証を与えるが、実際のシステムでの保守性や精度については要旨からは不明。

6. 次に読むべき論文は?

要旨で参照されている既存のchance-constrained plannersや、関連するRRT、SST、多目的最適化、確率的プランニングの研究が挙げられる。具体的には、Chance-constrained RRT、Stable Sparse RRT (SST)、Pareto-front探索手法などが関連する。

※ 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: Thomas Marshall Vielmetti, Daniel Cherenson, Dimitra Panagou

分類: cs.RO

原文アブストラクト

This paper addresses multi-objective kinodynamic planning in environments with stochastic hybrid adversaries that probabilistically transition to adversarial modes based on the ego state. The goal is to construct the Pareto-front of paths that trade off execution cost and the probability of safety constraint violation (risk). Existing chance-constrained planners evaluate risk over open-loop trajectories, yielding overly conservative solutions that fail to account for ego-agent reactivity. To address this limitation, we shift the planning space to sequences of closed-loop policies, and integrate sample-based risk evaluation directly into tree construction via Monte-Carlo particle rollouts. We first introduce Stochastic Multi-Objective RRT (SMO-RRT), for which we prove probabilistic completeness, followed by Stochastic Multi-Objective Stable Sparse RRT (SMO-SST), which leverages selective pruning to improve numerical performance at the cost of completeness. For both algorithms, we derive a finite-sample bound on the probability of chance constraint violation for systems with non-Gaussian, state-dependent uncertainty, enabling probabilistically safe planning in a broad class of environments applicable to multi-agent systems, social navigation, and autonomous driving.

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

MINISFORUM(ミニPC)

MINISFORUM(ミニPC)の公式広告バナーMINISFORUM公式ストアを見る ↗
PR本紙発行元 EmplifAI