論文の概要: Crowd-FM: Learned Optimal Selection of Conditional Flow Matching-generated Trajectories for Crowd Navigation

• arxiv url: http://arxiv.org/abs/2602.06698v2
• Date: Tue, 17 Mar 2026 11:59:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:41.234074
• Title: Crowd-FM: Learned Optimal Selection of Conditional Flow Matching-generated Trajectories for Crowd Navigation
• Title（参考訳）: クラウドFM: クラウドナビゲーションのための条件付きフローマッチング生成軌道の最適選択
• Authors: Antareep Singha, Laksh Nanwani, Mathai Mathew P., Samkit Jain, Phani Teja Singamaneni, Arun Kumar Singh, K. Madhava Krishna,
• Abstract要約: 我々は、安全性と人間の類似性の両方に対処する学習ベースのアプローチであるCrowd-FMを提案する。 最適制御トラジェクトリのデータセット上で、条件付きフローマッチング(CFM)ポリシーを訓練する。 フロープリミティブに対して人間に似たスコアを提供する,人間の実演軌跡のデータセット上でスコア関数を学習する。
• 参考スコア（独自算出の注目度）: 7.993295851469656
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Safe and computationally efficient local planning for mobile robots in dense, unstructured human crowds remains a fundamental challenge. Moreover, ensuring that robot trajectories are similar to how a human moves will increase the acceptance of the robot in human environments. In this paper, we present Crowd-FM, a learning-based approach to address both safety and human-likeness challenges. Our approach has two novel components. First, we train a Conditional Flow-Matching (CFM) policy over a dataset of optimally controlled trajectories to learn a set of collision-free primitives that a robot can choose at any given scenario. The chosen optimal control solver can generate multi-modal collision-free trajectories, allowing the CFM policy to learn a diverse set of maneuvers. Secondly, we learn a score function over a dataset of human demonstration trajectories that provides a human-likeness score for the flow primitives. At inference time, computing the optimal trajectory requires selecting the one with the highest score. Our approach improves the state-of-the-art by showing that our CFM policy alone can produce collision-free navigation with a higher success rate than existing learning-based baselines. Furthermore, when augmented with inference-time refinement, our approach can outperform even expensive optimisation-based planning approaches. Finally, we validate that our scoring network can select trajectories closer to the expert data than a manually designed cost function.
• Abstract（参考訳）: 密集した非構造化の人群における移動ロボットの安全で効率的なローカルプランニングは、依然として根本的な課題である。 さらに、ロボットの軌道が人間の動きと類似していることを保証することで、人間環境におけるロボットの受容が増大する。 本稿では,安全性と人間的類似性の両方に対処する学習ベースのアプローチであるCrowd-FMを提案する。 このアプローチには2つの新しいコンポーネントがあります。 まず、最適に制御された軌道のデータセット上で条件付きフローマッチング(CFM)ポリシーをトレーニングし、ロボットが任意のシナリオで選択できる衝突のないプリミティブのセットを学習する。 選択された最適制御解法は、多モード衝突のない軌道を生成することができ、CFMポリシーは多様な操作を学習することができる。 第2に、フロープリミティブに対して人間に似たスコアを提供する人間の実演軌跡のデータセット上でスコア関数を学習する。 推論時には、最適な軌道を計算するには、最高スコアの軌道を選択する必要がある。 我々のCFMポリシーだけで既存の学習ベースラインよりも高い成功率で衝突のないナビゲーションを実現できることを示すことによって、我々のアプローチは最先端の状況を改善する。 さらに、推論時間の改善による拡張では、我々のアプローチは、高価な最適化ベースのプランニングアプローチよりも優れている。 最後に,評価ネットワークが手作業で設計したコスト関数よりも専門家データに近い軌道を選択できることを検証する。

関連論文リスト

• Flow-Opt: Scalable Centralized Multi-Robot Trajectory Optimization with Flow Matching and Differentiable Optimization [2.4149533870085174]
  Flow-Optは、集中型マルチロボット軌道最適化の計算トラクタビリティ向上のための学習ベースのアプローチである。 我々は,数ミリ秒で散在する環境下で,数十個のロボットの軌跡を生成できることを実証した。 また,提案手法は,競合するベースラインよりも高速にスムーズな軌道列を生成する。
  論文  参考訳（メタデータ） (2025-10-10T09:43:18Z)
• 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)
• Affordance-based Robot Manipulation with Flow Matching [7.51335919610328]
  本稿では,ロボット操作支援のためのフレームワークを提案する。 第1に,大規模モデルを下流シーンの空き時間理解タスクに効果的に適用し,第2に,視覚的空き時間モデルに基づいて,効果的にロボット行動軌跡を学習する。 我々は,教師付きフローマッチング手法を用いて,ロボットの行動軌跡を空き時間で案内する。
  論文  参考訳（メタデータ） (2024-09-02T09:11:28Z)
• 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)
• 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)
• XAI-N: Sensor-based Robot Navigation using Expert Policies and Decision Trees [55.9643422180256]
  本稿では,ロボットの密集した動的環境における衝突のない軌道を計算するためのセンサベース学習ナビゲーションアルゴリズムを提案する。 我々のアプローチは、sim2realパラダイムを用いて訓練された深層強化学習に基づくエキスパートポリシーを使用する。 シミュレーション環境でのアルゴリズムの利点を強調し、移動中の歩行者の間でClearpath Jackalロボットをナビゲートする。
  論文  参考訳（メタデータ） (2021-04-22T01:33:10Z)
• Chance-Constrained Trajectory Optimization for Safe Exploration and Learning of Nonlinear Systems [81.7983463275447]
  学習に基づく制御アルゴリズムは、訓練のための豊富な監督を伴うデータ収集を必要とする。 本稿では,機会制約付き最適制御と動的学習とフィードバック制御を統合した安全な探索による最適動作計画のための新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2020-05-09T05:57:43Z)

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。