論文の概要: HiCrowd: Hierarchical Crowd Flow Alignment for Dense Human Environments

• arxiv url: http://arxiv.org/abs/2602.05608v2
• Date: Mon, 02 Mar 2026 16:04:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:41.200002
• Title: HiCrowd: Hierarchical Crowd Flow Alignment for Dense Human Environments
• Title（参考訳）: HiCrowd: 複雑な人間環境のための階層的なフローアライメント
• Authors: Yufei Zhu, Shih-Min Yang, Martin Magnusson, Allan Wang,
• Abstract要約: HiCrowdは、強化学習とモデル予測制御を統合する階層的なフレームワークである。 高レベルのRLポリシーは、ロボットを適切な歩行者グループに合わせるための追従ポイントを生成し、低レベルのMPCは、短い地平線計画でこのガイダンスを安全に追跡する。 本研究は,人体を動的障害物としてのみ扱うのではなく,人体の動きをガイダンスとして活用することが,人体における安全かつ効率的なロボットナビゲーションの強力な原則であることを示唆している。
• 参考スコア（独自算出の注目度）: 10.24762051200189
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Navigating through dense human crowds remains a significant challenge for mobile robots. A key issue is the freezing robot problem, where the robot struggles to find safe motions and becomes stuck within the crowd. To address this, we propose HiCrowd, a hierarchical framework that integrates reinforcement learning (RL) with model predictive control (MPC). HiCrowd leverages surrounding pedestrian motion as guidance, enabling the robot to align with compatible crowd flows. A high-level RL policy generates a follow point to align the robot with a suitable pedestrian group, while a low-level MPC safely tracks this guidance with short horizon planning. The method combines long-term crowd aware decision making with safe short-term execution. We evaluate HiCrowd against reactive and learning-based baselines in offline setting (replaying recorded human trajectories) and online setting (human trajectories are updated to react to the robot in simulation). Experiments on a real-world dataset and a synthetic crowd dataset show that our method outperforms in navigation efficiency and safety, while reducing freezing behaviors. Our results suggest that leveraging human motion as guidance, rather than treating humans solely as dynamic obstacles, provides a powerful principle for safe and efficient robot navigation in crowds.
• Abstract（参考訳）: 密集した人間の群集をナビゲートすることは、モバイルロボットにとって重要な課題だ。 鍵となる問題は、凍ったロボットの問題で、ロボットは安全な動きを見つけるのに苦労し、群衆の中に立ち往生する。 モデル予測制御(MPC)と強化学習(RL)を統合した階層型フレームワークであるHiCrowdを提案する。 HiCrowdは、周囲の歩行者の動きをガイダンスとして利用し、ロボットが互換性のある群衆の流れと一致できるようにする。 高レベルのRLポリシーは、ロボットを適切な歩行者グループに合わせるための追従ポイントを生成し、低レベルのMPCは、短い地平線計画でこのガイダンスを安全に追跡する。 本手法は,長期的群集認識意思決定と安全短期実行を組み合わせたものである。 オフライン設定(記録された人間の軌道を再生する)およびオンライン設定(シミュレーションでロボットに反応するように人間軌道を更新する)において、HiCrowdの評価を行った。 実世界のデータセットと合成群集データセットの実験により、我々の手法は、凍結挙動を低減しつつ、航法効率と安全性に優れることを示した。 本研究は,人体を動的障害物としてのみ扱うのではなく,人体の動きをガイダンスとして活用することが,人体における安全かつ効率的なロボットナビゲーションの強力な原則であることを示唆している。

関連論文リスト

• ZeroWBC: Learning Natural Visuomotor Humanoid Control Directly from Human Egocentric Video [52.78703020909145]
  我々は、人間中心のビデオから直接、自然なヒューマノイドビジュモータ制御ポリシーを学ぶ新しいフレームワークであるZeroWBCを紹介した。 提案手法はまず視覚言語モデル(VLM)を微調整し,テキスト命令とエゴセントリックな視覚コンテキストに基づく将来の身体全体の動作を予測する。 ユニツリーG1ヒューマノイドロボットの実験では,動作の自然性と汎用性において,本手法がベースラインアプローチより優れていることが示された。
  論文  参考訳（メタデータ） (2026-03-10T04:19:43Z)
• EgoHumanoid: Unlocking In-the-Wild Loco-Manipulation with Robot-Free Egocentric Demonstration [67.13034606664333]
  EgoHumanoidは、エゴセントリックな人間のデモを使って視覚言語アクションポリシーを共同訓練する最初のフレームワークである。 スケーラブルな人的データ収集のためのポータブルシステムを開発した。
  論文  参考訳（メタデータ） (2026-02-10T18:59:03Z)
• Action Flow Matching for Continual Robot Learning [54.10050120844738]
  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)
• Deep Reinforcement Learning-Based Mapless Crowd Navigation with Perceived Risk of the Moving Crowd for Mobile Robots [0.0]
  現在最先端のクラウドナビゲーションアプローチは、主に深層強化学習(DRL)に基づくものである。 本研究では,観測空間に衝突確率(CP)を組み込んで,移動する群衆の危険度をロボットに知覚する手法を提案する。
  論文  参考訳（メタデータ） (2023-04-07T11:29:59Z)
• Learning Bipedal Walking for Humanoids with Current Feedback [5.429166905724048]
  アクチュエータレベルでの不正確なトルクトラッキングから生じるヒューマノイドロボットのシム2リアルギャップ問題を克服するためのアプローチを提案する。 提案手法は、実際のHRP-5Pヒューマノイドロボットに展開して二足歩行を実現するシミュレーションにおいて、一貫したエンドツーエンドのポリシーをトレーニングする。
  論文  参考訳（メタデータ） (2023-03-07T08:16:46Z)
• Dense Crowd Flow-Informed Path Planning [24.849908664615104]
  フローフィールド抽出と離散探索は、フローインフォームドパス計画を作成するために使用される。 FIPPを用いたロボットはゴールを素早く達成できただけでなく、従来の技術を用いたロボットよりも社会的に適合していることが判明した。
  論文  参考訳（メタデータ） (2022-06-01T18:40:57Z)
• Model Predictive Control for Fluid Human-to-Robot Handovers [50.72520769938633]
  人間の快適さを考慮に入れた計画運動は、人間ロボットのハンドオーバプロセスの一部ではない。 本稿では,効率的なモデル予測制御フレームワークを用いてスムーズな動きを生成することを提案する。 ユーザ数名の多様なオブジェクトに対して,人間とロボットのハンドオーバ実験を行う。
  論文  参考訳（メタデータ） (2022-03-31T23:08:20Z)
• Intention Aware Robot Crowd Navigation with Attention-Based Interaction Graph [3.8461692052415137]
  本研究では,高密度で対話的な群集における安全かつ意図に配慮したロボットナビゲーションの課題について検討する。 本稿では,エージェント間の異種相互作用を捕捉するアテンション機構を備えた新しいグラフニューラルネットワークを提案する。 提案手法は,群集ナビゲーションのシナリオにおいて,優れたナビゲーション性能と非侵襲性をロボットが実現できることを実証する。
  論文  参考訳（メタデータ） (2022-03-03T16:26:36Z)
• SABER: Data-Driven Motion Planner for Autonomously Navigating Heterogeneous Robots [112.2491765424719]
  我々は、データ駆動型アプローチを用いて、異種ロボットチームをグローバルな目標に向けてナビゲートする、エンドツーエンドのオンラインモーションプランニングフレームワークを提案する。 モデル予測制御(SMPC)を用いて,ロボット力学を満たす制御入力を計算し,障害物回避時の不確実性を考慮した。 リカレントニューラルネットワークは、SMPC有限時間地平線解における将来の状態の不確かさを素早く推定するために用いられる。 ディープQ学習エージェントがハイレベルパスプランナーとして機能し、SMPCにロボットを望ましいグローバルな目標に向けて移動させる目標位置を提供する。
  論文  参考訳（メタデータ） (2021-08-03T02:56:21Z)

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。