論文の概要: Digital Twin Supervised Reinforcement Learning Framework for Autonomous Underwater Navigation

• arxiv url: http://arxiv.org/abs/2512.10925v1
• Date: Thu, 11 Dec 2025 18:52:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-12 16:15:42.546278
• Title: Digital Twin Supervised Reinforcement Learning Framework for Autonomous Underwater Navigation
• Title（参考訳）: 自律型水中ナビゲーションのためのデジタルツイン監督強化学習フレームワーク
• Authors: Zamirddine Mari, Mohamad Motasem Nawaf, Pierre Drap,
• Abstract要約: 本稿では,科学実験に広く利用されているオープンプラットフォームであるBlueROV2の事例を通して,課題を考察する。 本稿では,PPOアルゴリズムに基づく深層強化学習手法を提案する。 以上の結果から, PPO政策は高度に乱雑な環境でのDWAを一貫して上回っていることが示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autonomous navigation in underwater environments remains a major challenge due to the absence of GPS, degraded visibility, and the presence of submerged obstacles. This article investigates these issues through the case of the BlueROV2, an open platform widely used for scientific experimentation. We propose a deep reinforcement learning approach based on the Proximal Policy Optimization (PPO) algorithm, using an observation space that combines target-oriented navigation information, a virtual occupancy grid, and ray-casting along the boundaries of the operational area. The learned policy is compared against a reference deterministic kinematic planner, the Dynamic Window Approach (DWA), commonly employed as a robust baseline for obstacle avoidance. The evaluation is conducted in a realistic simulation environment and complemented by validation on a physical BlueROV2 supervised by a 3D digital twin of the test site, helping to reduce risks associated with real-world experimentation. The results show that the PPO policy consistently outperforms DWA in highly cluttered environments, notably thanks to better local adaptation and reduced collisions. Finally, the experiments demonstrate the transferability of the learned behavior from simulation to the real world, confirming the relevance of deep RL for autonomous navigation in underwater robotics.
• Abstract（参考訳）: 水中環境における自律航法は、GPSの欠如、視界の悪化、水中障害物の存在など、大きな課題である。 本稿では,科学実験に広く利用されているオープンプラットフォームであるBlueROV2の事例を通して,これらの問題を考察する。 本稿では,PPOアルゴリズムに基づく深層強化学習手法を提案する。ターゲット指向ナビゲーション情報,仮想占有グリッド,および運用領域の境界に沿ったレイキャスティングを組み合わせた観測空間を用いる。 学習方針は、基準決定論的キネマティックプランナーであるダイナミックウインドウアプローチ(DWA)と比較され、障害物回避のための堅牢なベースラインとして一般的に使用される。 この評価は現実的なシミュレーション環境で行われ、試験場の3Dデジタルツインが監督する物理的BlueROV2の検証によって補完され、現実世界の実験に伴うリスクの低減に寄与する。 その結果, PPO政策は, 局所適応性の向上, 衝突の低減などにより, 高度に散在した環境下でのDWAよりも一貫して優れていた。 最後に、実験では、シミュレーションから実世界への学習行動の伝達性を実証し、水中ロボティクスにおける自律航法における深部RLの有効性を確認した。

関連論文リスト

• IndustryNav: Exploring Spatial Reasoning of Embodied Agents in Dynamic Industrial Navigation [56.43007596544299]
  IndustryNavは、アクティブな空間推論のための最初の動的産業用ナビゲーションベンチマークである。 9つの最先端のVisual Large Language Modelsの研究によると、クローズドソースモデルは一貫した優位性を維持している。
  論文  参考訳（メタデータ） (2025-11-21T16:48:49Z)
• From Seeing to Experiencing: Scaling Navigation Foundation Models with Reinforcement Learning [59.88543114325153]
  本稿では,航法基礎モデルの強化学習能力を高めるためのSeeing-to-Experiencingフレームワークを提案する。 S2Eは、ビデオの事前トレーニングとRLによるポストトレーニングの長所を組み合わせたものだ。 実世界のシーンを3DGSで再現した3D画像に基づく総合的なエンドツーエンド評価ベンチマークであるNavBench-GSを構築した。
  論文  参考訳（メタデータ） (2025-07-29T17:26:10Z)
• Designing Control Barrier Function via Probabilistic Enumeration for Safe Reinforcement Learning Navigation [55.02966123945644]
  本稿では,ニューラルネットワーク検証技術を利用して制御障壁関数(CBF)とポリシー修正機構の設計を行う階層型制御フレームワークを提案する。 提案手法は,安全なCBFベースの制御層を構築するために使用される,安全でない操作領域を特定するための確率的列挙に依存する。 これらの実験は、効率的なナビゲーション動作を維持しながら、安全でない動作を補正する提案手法の能力を実証するものである。
  論文  参考訳（メタデータ） (2025-04-30T13:47:25Z)
• Depth-Constrained ASV Navigation with Deep RL and Limited Sensing [43.785833390490446]
  本研究では,深度制約下でのASVナビゲーションのための強化学習フレームワークを提案する。 環境意識を高めるため,GPレグレッションをRLフレームワークに統合する。 我々は,実世界の水環境に対して,訓練された政策が適切に一般化されることを保証する効果的なシミュレート・トゥ・リアル・トランスファーを実証する。
  論文  参考訳（メタデータ） (2025-04-25T10:56:56Z)
• Hierarchical Reinforcement Learning for Safe Mapless Navigation with Congestion Estimation [7.339743259039457]
  本稿では,階層的強化学習(HRL)を利用した安全な地図レスナビゲーションフレームワークを提案する。 その結果,HRLに基づくナビゲーションフレームワークは静的シナリオと動的シナリオの両方で優れていることがわかった。 本研究では,物理的な検証実験を行うために,TurtleBot3ロボット上にHRLベースのナビゲーションフレームワークを実装した。
  論文  参考訳（メタデータ） (2025-03-15T08:03:50Z)
• Sonar-based Deep Learning in Underwater Robotics: Overview, Robustness and Challenges [0.46873264197900916]
  水中でのソナーの使用は、限られた訓練データと固有のノイズが特徴であり、頑丈さをモデル化する上での課題となっている。 本稿では,分類,物体検出,セグメンテーション,SLAMなどのソナーベース認知タスクモデルについて検討する。 ソナーベースの最先端データセット、シミュレータ、ニューラルネットワーク検証、アウト・オブ・ディストリビューション、敵攻撃などの堅牢性メソッドを体系化する。
  論文  参考訳（メタデータ） (2024-12-16T15:03:08Z)
• Benchmarking Safe Deep Reinforcement Learning in Aquatic Navigation [78.17108227614928]
  本研究では,水文ナビゲーションに着目した安全強化学習のためのベンチマーク環境を提案する。 価値に基づく政策段階の深層強化学習(DRL)について考察する。 また,学習したモデルの振る舞いを所望の特性の集合上で検証する検証戦略を提案する。
  論文  参考訳（メタデータ） (2021-12-16T16:53:56Z)

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。