論文の概要: Towards Autonomous Micromobility through Scalable Urban Simulation

• arxiv url: http://arxiv.org/abs/2505.00690v1
• Date: Thu, 01 May 2025 17:52:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:55.39382
• Title: Towards Autonomous Micromobility through Scalable Urban Simulation
• Title（参考訳）: スケーラブル都市シミュレーションによる自律型マイクロモビリティの実現に向けて
• Authors: Wayne Wu, Honglin He, Chaoyuan Zhang, Jack He, Seth Z. Zhao, Ran Gong, Quanyi Li, Bolei Zhou,
• Abstract要約: 現在のマイクロモビリティは、主に人手操作(対人・遠隔操作)に依存している。 本研究では,自律型マイクロモビリティを実現するため,スケーラブルな都市シミュレーションソリューションを提案する。
• 参考スコア（独自算出の注目度）: 52.749987132021324
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Micromobility, which utilizes lightweight mobile machines moving in urban public spaces, such as delivery robots and mobility scooters, emerges as a promising alternative to vehicular mobility. Current micromobility depends mostly on human manual operation (in-person or remote control), which raises safety and efficiency concerns when navigating busy urban environments full of unpredictable obstacles and pedestrians. Assisting humans with AI agents in maneuvering micromobility devices presents a viable solution for enhancing safety and efficiency. In this work, we present a scalable urban simulation solution to advance autonomous micromobility. First, we build URBAN-SIM - a high-performance robot learning platform for large-scale training of embodied agents in interactive urban scenes. URBAN-SIM contains three critical modules: Hierarchical Urban Generation pipeline, Interactive Dynamics Generation strategy, and Asynchronous Scene Sampling scheme, to improve the diversity, realism, and efficiency of robot learning in simulation. Then, we propose URBAN-BENCH - a suite of essential tasks and benchmarks to gauge various capabilities of the AI agents in achieving autonomous micromobility. URBAN-BENCH includes eight tasks based on three core skills of the agents: Urban Locomotion, Urban Navigation, and Urban Traverse. We evaluate four robots with heterogeneous embodiments, such as the wheeled and legged robots, across these tasks. Experiments on diverse terrains and urban structures reveal each robot's strengths and limitations.
• Abstract（参考訳）: 配達ロボットやモビリティスクーターなどの都市公共空間で動く軽量な移動機械を利用するマイクロモビリティは、車載モビリティに代わる有望な代替手段として出現する。 現在のマイクロモビリティは、主に人手による操作(個人または遠隔操作)に依存しており、予測不可能な障害物や歩行者で満たされた都市環境をナビゲートする際の安全性と効率の懸念を引き起こす。 マイクロモビリティデバイスを操作する際にAIエージェントで人間を補助することは、安全性と効率を高めるための実行可能なソリューションを提供する。 本研究では,自律型マイクロモビリティを実現するため,スケーラブルな都市シミュレーションソリューションを提案する。 まず,対話型都市環境におけるエンボディエージェントの大規模訓練のための高性能ロボット学習プラットフォームであるURBAN-SIMを構築した。 URBAN-SIMには、階層的都市生成パイプライン、インタラクティブダイナミクス生成戦略、非同期シーンサンプリングスキームの3つの重要なモジュールが含まれており、シミュレーションにおけるロボット学習の多様性、リアリズム、効率を改善する。 そこで我々は,自律的なマイクロモビリティを実現する上で,AIエージェントのさまざまな能力を評価するための重要なタスクとベンチマークのスイートであるURBAN-BENCHを提案する。 URBAN-BENCHには、Urban Locomotion、Urban Navigation、Urban Traverseの3つのコアスキルに基づいた8つのタスクが含まれている。 これらの課題に対して、車輪付きロボットや脚付きロボットなど、異質な実施形態を持つ4つのロボットを評価した。 多様な地形や都市構造に関する実験は、それぞれのロボットの強さと限界を明らかにする。

関連論文リスト

• MobileCity: An Efficient Framework for Large-Scale Urban Behavior Simulation [22.340422693575547]
  複数の機能的な建物と交通手段を備えた仮想都市を提示する。 次に、集団間の行動選択と移動選好をモデル化するための広範な調査を行う。 拡張性を維持しながら都市移動の複雑さを捉えるシミュレーションフレームワークを導入し,4,000以上のエージェントのシミュレーションを可能にする。
  論文  参考訳（メタデータ） (2025-04-18T07:01:05Z)
• VertiFormer: A Data-Efficient Multi-Task Transformer for Off-Road Robot Mobility [49.512339092493384]
  VertiFormerは、たった1時間のデータでトレーニングされた、新しいデータ効率のマルチタスクトランスフォーマーモデルである。 我々の実験は、限られたデータでオフロードロボットの移動にトランスフォーマーを効果的に活用するための洞察を提供する。
  論文  参考訳（メタデータ） (2025-02-01T20:21:00Z)
• MetaUrban: An Embodied AI Simulation Platform for Urban Micromobility [52.0930915607703]
  最近のロボティクスとエンボディードAIの進歩により、公共の都市空間はもはや人間専用ではない。 公共の都市空間における短距離移動のためのAIによって実現されるマイクロモビリティは、将来の交通システムにおいて重要な要素である。 本稿では,AI駆動型都市マイクロモビリティ研究のための構成シミュレーションプラットフォームであるMetaUrbanを紹介する。
  論文  参考訳（メタデータ） (2024-07-11T17:56:49Z)
• DrEureka: Language Model Guided Sim-To-Real Transfer [64.14314476811806]
  シミュレーションで学んだ政策を現実世界に伝達することは、ロボットのスキルを大規模に獲得する上で有望な戦略である。 本稿では,Large Language Models (LLMs) を用いてシム・トゥ・リアル設計の自動化と高速化を行う。 本手法では,ヨガボールの上を歩行する四足歩行や四足歩行など,新しいロボットタスクを解くことができる。
  論文  参考訳（メタデータ） (2024-06-04T04:53:05Z)
• Learning Robust Autonomous Navigation and Locomotion for Wheeled-Legged Robots [50.02055068660255]
  都市環境のナビゲーションは、ロボットにとってユニークな課題であり、移動とナビゲーションのための革新的なソリューションを必要としている。 本研究は, 適応移動制御, 移動対応ローカルナビゲーション計画, 市内の大規模経路計画を含む, 完全に統合されたシステムを導入する。 モデルフリー強化学習(RL)技術と特権学習を用いて,多目的移動制御系を開発した。 私たちのコントローラーは大規模な都市航法システムに統合され、スイスのチューリッヒとスペインのセビリアで自律的、キロメートル規模の航法ミッションによって検証されます。
  論文  参考訳（メタデータ） (2024-05-03T00:29:20Z)
• MTAC: Hierarchical Reinforcement Learning-based Multi-gait Terrain-adaptive Quadruped Controller [12.300578189051963]
  動的・荒地環境における四足歩行ロボットの制御は、これらのロボットの自由度が高いため、難しい問題である。 現在の四足歩行制御装置は、複数の適応歩行を生産し、時間と資源効率のよい方法でタスクを解く能力に制限があり、面倒なトレーニングと手動のチューニング手順を必要とする。 時間とメモリ効率を両立させながら階層的強化学習(HRL)アプローチを利用するマルチゲット地形適応型コントローラMTACを提案する。
  論文  参考訳（メタデータ） (2023-11-01T18:17:47Z)
• Learning Human-to-Robot Handovers from Point Clouds [63.18127198174958]
  視覚に基づく人間ロボットハンドオーバの制御ポリシーを学習する最初のフレームワークを提案する。 シミュレーションベンチマーク,sim-to-sim転送,sim-to-real転送において,ベースラインよりも大きな性能向上を示した。
  論文  参考訳（メタデータ） (2023-03-30T17:58:36Z)
• Proficiency Constrained Multi-Agent Reinforcement Learning for Environment-Adaptive Multi UAV-UGV Teaming [2.745883395089022]
  空中と地上の混成ロボットチームは、災害救助、社会保障、精密農業、軍事任務に広く利用されている。 そこで本研究では,Mix-RL (Mix-RL) を用いた地上・空中協調学習手法を開発した。 Mix-RLは、タスク要件と環境条件へのロボット機能の適用を認識しながら、ロボット機能を利用する。
  論文  参考訳（メタデータ） (2020-02-10T16:19:58Z)

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。