論文の概要: Adaptive Interactive Navigation of Quadruped Robots using Large Language Models

• arxiv url: http://arxiv.org/abs/2503.22942v1
• Date: Sat, 29 Mar 2025 02:17:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-01 19:35:56.85108
• Title: Adaptive Interactive Navigation of Quadruped Robots using Large Language Models
• Title（参考訳）: 大規模言語モデルを用いた四足歩行ロボットの適応的対話ナビゲーション
• Authors: Kangjie Zhou, Yao Mu, Haoyang Song, Yi Zeng, Pengying Wu, Han Gao, Chang Liu,
• Abstract要約: 大規模言語モデル(LLM)を用いたタスク計画のための原始木を提案する。 動作計画のための多目的移動と相互作用行動を含む総合的なスキルライブラリを事前学習するために強化学習を採用する。 ツリー構造に統合されたリプランニングメカニズムにより、便利なノードの追加とプルーニングが可能になる。
• 参考スコア（独自算出の注目度）: 14.14967096139099
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Robotic navigation in complex environments remains a critical research challenge. Traditional navigation methods focus on optimal trajectory generation within free space, struggling in environments lacking viable paths to the goal, such as disaster zones or cluttered warehouses. To address this gap, we propose an adaptive interactive navigation approach that proactively interacts with environments to create feasible paths to reach originally unavailable goals. Specifically, we present a primitive tree for task planning with large language models (LLMs), facilitating effective reasoning to determine interaction objects and sequences. To ensure robust subtask execution, we adopt reinforcement learning to pre-train a comprehensive skill library containing versatile locomotion and interaction behaviors for motion planning. Furthermore, we introduce an adaptive replanning method featuring two LLM-based modules: an advisor serving as a flexible replanning trigger and an arborist for autonomous plan adjustment. Integrated with the tree structure, the replanning mechanism allows for convenient node addition and pruning, enabling rapid plan modification in unknown environments. Comprehensive simulations and experiments have demonstrated our method's effectiveness and adaptivity in diverse scenarios. The supplementary video is available at page: https://youtu.be/W5ttPnSap2g.
• Abstract（参考訳）: 複雑な環境でのロボットナビゲーションは依然として重要な研究課題である。 伝統的な航法は、災害地帯や散在する倉庫など、目標への実行可能な経路を欠く環境に苦しむ、自由空間内での最適な軌道生成に焦点を当てている。 このギャップに対処するために,適応的対話型ナビゲーション手法を提案する。 具体的には,大規模言語モデル (LLM) を用いたタスク計画のための原始木を提案する。 本研究では,ロバストなサブタスク実行を確保するため,多目的な移動と行動計画のためのインタラクション行動を含む総合的なスキルライブラリを事前学習するために強化学習を採用する。 さらに、フレキシブルな再計画トリガとして機能するアドバイザと、自律的な計画調整のためのアーボリストという、2つのLCMベースのモジュールを特徴とする適応的再計画手法を導入する。 ツリー構造と統合されたリプランニング機構により、ノードの追加とプルーニングが便利になり、未知の環境での迅速な計画変更が可能になる。 シミュレーションと実験により,様々なシナリオにおける本手法の有効性と適応性を実証した。 補足ビデオは、https://youtu.be/W5ttPnSap2g.comで公開されている。

関連論文リスト

• Action Flow Matching for Continual Robot Learning [57.698553219660376]
  ロボット工学における継続的な学習は、変化する環境やタスクに常に適応できるシステムを求める。 本稿では,オンラインロボット力学モデルアライメントのためのフローマッチングを利用した生成フレームワークを提案する。 ロボットは,不整合モデルで探索するのではなく,行動自体を変換することで,より効率的に情報収集を行う。
  論文  参考訳（メタデータ） (2025-04-25T16:26:15Z)
• Dynamic Path Navigation for Motion Agents with LLM Reasoning [69.5875073447454]
  大規模言語モデル(LLM)は、強力な一般化可能な推論と計画能力を示している。 本研究では,LLMのゼロショットナビゲーションと経路生成機能について,データセットの構築と評価プロトコルの提案により検討する。 このようなタスクが適切に構成されている場合、現代のLCMは、目標に到達するために生成された動きでナビゲーションを自律的に精錬しながら障害を回避するためのかなりの計画能力を示す。
  論文  参考訳（メタデータ） (2025-03-10T13:39:09Z)
• IN-Sight: Interactive Navigation through Sight [20.184155117341497]
  IN-Sightは自己監督型パスプランニングの新しいアプローチである。 可逆性のスコアを計算し、セマンティックマップに組み込む。 障害物を正確に回避するために、IN-Sightはローカルプランナーを使用している。
  論文  参考訳（メタデータ） (2024-08-01T07:27:54Z)
• Deep hybrid models: infer and plan in a dynamic world [0.0]
  複雑な制御タスクに対する能動推論に基づく解を提案する。 提案したアーキテクチャは、ハイブリッド(離散および連続)処理を利用する。 モデルが異なる条件下で提示された課題に対処できることが示される。
  論文  参考訳（メタデータ） (2024-02-01T15:15:25Z)
• AI planning in the imagination: High-level planning on learned abstract search spaces [68.75684174531962]
  我々は,エージェントが訓練中に学習する抽象的な検索空間において,エージェントが計画することを可能にする,PiZeroと呼ばれる新しい手法を提案する。 本研究では,旅行セールスマン問題,ソコバン問題,2048年,施設立地問題,パックマン問題など,複数の分野で評価を行った。
  論文  参考訳（メタデータ） (2023-08-16T22:47:16Z)
• ETPNav: Evolving Topological Planning for Vision-Language Navigation in Continuous Environments [56.194988818341976]
  視覚言語ナビゲーションは、エージェントが環境中をナビゲートするための指示に従う必要があるタスクである。 本研究では,1)環境を抽象化し,長距離航法計画を生成する能力,2)連続環境における障害物回避制御能力の2つの重要なスキルに焦点を当てたETPNavを提案する。 ETPNavは、R2R-CEとRxR-CEデータセットの先行技術よりも10%以上、20%改善されている。
  論文  参考訳（メタデータ） (2023-04-06T13:07:17Z)
• MPTP: Motion-Planning-aware Task Planning for Navigation in Belief Space [1.3535770763481902]
  大規模環境におけるナビゲーションのための統合型タスク・モーション・プランニング・フレームワークを提案する。 このフレームワークは、動作中の運動計画と感覚の不確かさを意図している。
  論文  参考訳（メタデータ） (2021-04-10T06:52:16Z)
• ReLMoGen: Leveraging Motion Generation in Reinforcement Learning for Mobile Manipulation [99.2543521972137]
  ReLMoGenは、サブゴールを予測するための学習されたポリシーと、これらのサブゴールに到達するために必要な動作を計画し実行するためのモーションジェネレータを組み合わせたフレームワークである。 本手法は,フォトリアリスティック・シミュレーション環境における7つのロボットタスクの多種多様なセットをベンチマークする。 ReLMoGenは、テスト時に異なるモーションジェネレータ間で顕著な転送可能性を示し、実際のロボットに転送する大きな可能性を示している。
  論文  参考訳（メタデータ） (2020-08-18T08:05:15Z)
• Learning to Move with Affordance Maps [57.198806691838364]
  物理的な空間を自律的に探索し、ナビゲートする能力は、事実上あらゆる移動型自律エージェントの基本的な要件である。 従来のSLAMベースの探索とナビゲーションのアプローチは、主にシーン幾何学の活用に重点を置いている。 学習可能な余剰マップは探索と航法の両方において従来のアプローチの強化に利用でき、性能が大幅に向上することを示します。
  論文  参考訳（メタデータ） (2020-01-08T04:05:11Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。