FutureRay: 機敏な四足歩行ナビゲーションのための制御整合型未来レンジ予測

- 四足歩行ロボットのナビゲーションにおいて、移動障害物が経路を塞ぐ問題を扱う。 - 未来のクリアランス（range）と遭遇リスク（encounter risk）を予測する FutureRay を提案。 - 予測に基づき、ロボットの footprint と反応・制動時間を考慮した速度選択を行う。 - 固定された locomotion policy の上で動作する。

- 従来の current-range persistence や Cartesian Kalman rollout と比較して、動的シーンでの完了率が高い。 - 静的・動的シミュレーション60シーンで、FutureRay は93.3%完了、persistence は75.0%、Kalman rollout は80.0%。 - 衝突回数も両ベースラインより少ない。 - locomotion policy を再学習せずに障害物回避を改善できる点が優位。

- depth 由来の range 履歴と観測可能なロボット運動から、視方向・未来時刻ごとの range と encounter risk を予測。 - 学習では近距離のクリアランスを重視し、利用可能空間を過大評価する誤差にペナルティ。 - local planner が同じ予測を候補 heading ごとに照会し、現在の観測と組み合わせて footprint 周囲のクリアランスを確認。 - model-based な反応・制動限界が速度選択を導き、得られた速度コマンドを固定 locomotion policy に渡す。

- 静的・動的シミュレーション60シーンで、知覚・計画・locomotion を固定した paired evaluation を実施。 - FutureRay は93.3%完了、current-range persistence は75.0%、Cartesian Kalman rollout は80.0%。 - 衝突回数も両ベースラインより少ない。 - 実機四足ロボットでの定性的試験で、障害物が経路に接近する間に回避を開始し、その後目標への進行を再開することを確認。

- 移動障害物が経路を塞ぐ状況で、未来の range と encounter risk の同時予測が有効であることを示す。 - locomotion policy を再学習せずに障害物回避を改善できる。 - 限界や失敗事例、計算コスト、実環境での定量評価については要旨からは不明。

- current-range persistence - Cartesian Kalman rollout - 関連手法として depth-based navigation、local planner、model-based braking、fixed locomotion policy などが挙げられる。 - 具体的な論文名は要旨からは不明。