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:2610.24012

ChairNav:車いすナビゲーションのためのクロスエンボディメント事前学習とパーソナライズ

ChairNav: Cross-Embodiment Pre-training and Personalization for Long-Horizon Wheelchair Navigation

シェア:XThreadsFacebookLINEはてブBluesky

視覚ナビゲーション基盤モデルを3段階のデータピラミッドで電動車いす向けに適応させ、軽量ハードウェアで長距離歩道の自動走行とユーザー介入によるパーソナライズを実現した。

詳しい要約

1. どんなもの?

- 電動車椅子の長距離屋外歩道ナビゲーションを対象とした研究 - 視覚ナビゲーション基盤モデルと大規模ナビゲーションデータセットを活用 - 軽量ハードウェアで強い汎化を狙う - ChairNav という新フレームワークを提案 - 汎用視覚ナビゲーションモデルを個人向け電動車椅子ナビへ適応 - 三段階の data pyramid で適応を段階化 - 商用電動車椅子に RGB-D camera と NVIDIA Jetson を搭載して実装

2. 先行研究と比べてどこがすごい?

- 既存手法は屋内の地図ベースナビか、完全自律のための高価で複雑なセンサ構成に依存 - ChairNav は視覚ナビゲーション基盤モデルと大規模データセットにより軽量ハードで汎化を狙う点が異なる - 屋内中心・高コスト構成という先行の制約に対し、屋外歩道の長距離ナビを対象化 - 車椅子固有データの不足を cross-embodiment データの活用で補う設計が特徴

3. 技術・手法の肝は?

- 三段階の data pyramid が肝 - pre-training: 大規模 cross-embodiment データセットを車椅子ドメインへ変換して事前学習 - mid-training: 少数の車椅子デモンストレーションで残るドメインギャップを解消 - post-training: ユーザ介入からモデルを更新し挙動を個人化 - 汎用視覚ナビゲーションモデルを土台に段階的に車椅子へ適応 - 実装は商用電動車椅子 + RGB-D camera + NVIDIA Jetson のオンボード構成

4. どうやって有効だと検証した?

- 各段階の有効性を実験で検証 - pre-training により lateral ADE が 18% 減少 - post-training によりユーザ介入間の平均距離が 29.2 m から 57.4 m へ増加 - キロメートル規模の都市歩道ルートで評価 - 総走行時間の 93.4% を自律走行 - デモ動画と詳細は https://vail.cs.ucla.edu/ChairNav/ で公開

5. 議論はある?

- 屋外歩道の日常的なアクセシブル移動への可能性を示唆 - 軽量ハードウェア構成で長距離ナビを実現する点を主張 - 各段階の寄与は数値で示されるが、限界や失敗事例の詳細は要旨からは不明 - 個人化の安全性や長期運用時の挙動変化については要旨からは不明

6. 次に読むべき論文は?

- 視覚ナビゲーション基盤モデルに関する研究(具体名は要旨からは不明) - cross-embodiment 学習・大規模ナビゲーションデータセットを用いる関連研究(具体名は要旨からは不明) - 屋内 map-based navigation の代表的アプローチ(一般名として) - 車椅子自律ナビゲーションの先行研究(具体名は要旨からは不明)

※ 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: Junhua Huang, Zhizheng Liu, Honglin He, Xiang Zhang, Bolei Zhou

分類: cs.RO, cs.CV

原文アブストラクト

Developing autonomous electric wheelchairs capable of long-horizon sidewalk navigation is critical for accessible personal mobility, yet existing approaches either focus on indoor map-based navigation or rely on expensive, complex sensor stacks to achieve full autonomy. In this work, we propose to tackle outdoor sidewalk navigation by leveraging visual navigation foundation models and large-scale navigation datasets, which offer strong generalization using lightweight hardware. To this end, we present ChairNav, a novel framework that adapts a general visual navigation model into a personalized electric wheelchair navigation system using a three-stage data pyramid. To address the scarcity of in-domain data, ChairNav first pre-trains on large-scale cross-embodiment datasets transformed into the wheelchair domain, followed by mid-training on a small number of wheelchair demonstrations to eliminate remaining domain gaps. Finally, a post-training stage refines the deployed model from user interventions to personalize its behavior. We deploy ChairNav on a commercial electric wheelchair equipped with an RGB-D camera and an onboard NVIDIA Jetson compute module. Experimental results validate the effectiveness of each stage in our data pyramid: pre-training reduces lateral ADE by 18%, and post-training increases the mean distance between user interventions from 29.2 m to 57.4 m. Further evaluation on kilometer-scale urban sidewalk routes shows that our system operates autonomously for 93.4% of total driving time, demonstrating its potential for everyday accessible mobility. Demo video and more details are at https://vail.cs.ucla.edu/ChairNav/.

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

OZ GAMING(GPU搭載BTOゲーミングPC)

OZ GAMING(GPU搭載BTOゲーミングPC)の公式広告バナーOZ GAMINGで完成品PCを見る ↗
PR本紙発行元 EmplifAI