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:2608.14160

OccPlanner: 目標認識占有条件付き拡散プランナーによるピクセルゴールナビゲーション

OccPlanner: Goal-Aware Occupancy-Conditioned Diffusion Planner for Pixel-Goal Navigation

シェア:XThreadsFacebookLINEはてブBluesky

カメラ画像のピクセルで指定された目標へのナビゲーションを、3D占有情報を条件とした拡散モデルで実現。モノクロ動画から3D占有アノテーションを生成する手法も提案し、シミュレーションと実機で高い成功率を達成した。

詳しい要約

1. どんなもの?

OccPlannerは、Pixel-goal Navigation(カメラ画像上のピクセルで目標を指定するナビゲーション)のための、目標認識型のOccupancy条件付きDiffusion Plannerである。ピクセル目標はメートル深度や traversability を直接提供しないため、3D目標の grounding と衝突回避の連続プランニングが困難である。OccPlannerは、ego-centric metric space でピクセル目標を grounding し、時間的視覚コンテキストと学習されたローカル3D Occupancy特徴に基づいて目標表現を逐次条件付けする。また、L3ROcc を導入し、単眼RGBナビゲーションビデオから幾何学的再構成とレイベースの可視性推論を通じて、ロボット中心のローカル3D Occupancyアノテーションを生成する。

2. 先行研究と比べてどこがすごい?

先行研究のNavDP(Diffusion Planner)と比較して、OccPlannerはOccupancy情報を明示的に条件付けに組み込むことで、ピクセル目標の3D groundingと衝突回避を改善している。要旨では、5-8 m設定で平均成功率(SR)を20.81%から71.55%に向上させており、特に cluttered シーンで高い性能を示している。また、L3ROccによる大規模なOccupancy監視を可能にし、実世界へのsim-to-real転換の初期証拠も提供している点が新しい。

3. 技術・手法の肝は?

手法の肝は、ピクセル目標をego-centric metric spaceでgroundingし、時間的視覚コンテキストと学習されたローカル3D Occupancy特徴を逐次条件付けとして用いる点である。具体的には、Diffusion Plannerの条件付けにOccupancy情報を組み込み、目標表現を動的に更新する。また、L3ROccは単眼RGBビデオから幾何学的再構成とレイベースの可視性推論を用いて、ロボット中心のローカル3D Occupancyアノテーションを自動生成し、大規模な教師データを提供する。

4. どうやって有効だと検証した?

OccPlannerをInternData-N1で訓練し、InternScenesの4つの未見シーンカテゴリと2つの目標距離範囲で閉ループシミュレーション評価を行った。5-8 m設定では、4カテゴリ全体で平均SRがNavDPの20.81%から71.55%に向上し、cluttered-easyとcluttered-hardシーンではそれぞれ86.20%と84.92%に達した。さらに、Unitree Go2を用いた実世界の開ループ実験で、sim-to-real転換とL3ROcc生成監視への適応の初期証拠を示した。

5. 議論はある?

要旨からは、議論の詳細は不明であるが、実世界実験は開ループであり、閉ループでの実世界性能は未検証である可能性が示唆される。また、L3ROccのアノテーション品質や、Occupancy条件付けの計算コスト、異なる環境での汎化性などが議論の対象となり得る。ただし、要旨には明示的な議論は記載されていない。

6. 次に読むべき論文は?

要旨で参照されているNavDP(Diffusion Planner)が関連研究として挙げられる。また、Pixel-goal Navigationの分野では、目標 grounding や Occupancy 予測に関する研究(例:Occupancy Networks、3D Scene Understanding)が関連する。具体的な論文名は要旨にないため、同分野の定番として、'Goal-conditioned Reinforcement Learning'や'Diffusion Policy'に関する研究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: Binling Huang, Nianjin Ye, Xi Yang, Liang Hu, Zhou Huang, Shuang Wei, Longrui Yang, Yanchi Chen, Lanpeng Jia

分類: cs.RO

原文アブストラクト

Pixel-goal navigation specifies targets directly in the agent's camera view, but a target pixel provides neither metric depth nor traversability, making 3D goal grounding and collision-free continuous planning challenging. We present OccPlanner, a goal-aware occupancy-conditioned diffusion planner that grounds pixel goals in egocentric metric space and sequentially conditions the goal representation on temporal visual context and learned local 3D occupancy features. To provide occupancy supervision at scale, we introduce L3ROcc, which converts monocular RGB navigation videos into robot-centric local 3D occupancy annotations through geometric reconstruction and ray-based visibility reasoning. We train OccPlanner on InternData-N1 and evaluate it in closed-loop simulation across four unseen scene categories from InternScenes and two goal-distance ranges. In the 5-8 m setting, OccPlanner increases the average success rate (SR) over NavDP from 20.81% to 71.55% across the four categories, reaching 86.20% and 84.92% in cluttered-easy and cluttered-hard scenes, respectively. Real-world open-loop experiments on a Unitree Go2 further provide initial evidence of sim-to-real transfer and adaptation with L3ROcc-generated supervision.

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