論文の概要: Optimal-Horizon Social Robot Navigation in Heterogeneous Crowds

• arxiv url: http://arxiv.org/abs/2603.00507v1
• Date: Sat, 28 Feb 2026 07:09:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-30 04:57:50.532393
• Title: Optimal-Horizon Social Robot Navigation in Heterogeneous Crowds
• Title（参考訳）: 不均質群集における最適水平社会ロボットナビゲーション
• Authors: Jiamin Shi, Haolin Zhang, Yuchen Yan, Shitao Chen, Jingmin Xin, Nanning Zheng,
• Abstract要約: 環境の不確実性や複雑な人間とロボットの相互作用のため、密集した動的な群集の中で社会ロボットをナビゲートすることは困難である。 MPCは、強力なリアルタイムパフォーマンスを提供し、固定された予測地平線への依存は、環境の変化や社会的ダイナミクスへの適応性を制限している。 オンライン上でのMPCの視線を推定した状況に応じて最適化する最適水平社会ナビゲーションフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 39.07961392770344
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Navigating social robots in dense, dynamic crowds is challenging due to environmental uncertainty and complex human-robot interactions. While Model Predictive Control (MPC) offers strong real-time performance, its reliance on a fixed prediction horizon limits adaptability to changing environments and social dynamics. Furthermore, most MPC approaches treat pedestrians as homogeneous obstacles, ignoring social heterogeneity and cooperative or adversarial interactions, which often causes the Frozen Robot Problem in partially observable real-world environments. In this paper, we identify the planning horizon as a socially conditioned decision variable rather than a fixed design choice. Building on this insight, we propose an optimal-horizon social navigation framework that optimizes MPC foresight online according to inferred social context. A spatio-temporal Transformer infers pedestrian cooperation attributes from local trajectory observations, which serve as social priors for a reinforcement learning policy that optimally selects the prediction horizon under a task-driven objective. The resulting horizon-aware MPC incorporates socially conditioned safety constraints to balance navigation efficiency and interaction safety. Extensive simulations and real-world robot experiments demonstrate that optimal foresight selection is critical for robust social navigation in partially observable crowds. Compared to state-of-the-art baselines, the proposed approach achieves a 6.8\% improvement in success rate, reduces collisions by 50\%, and shortens navigation time by 19\%, with a low timeout rate of 0.8\%, validating the necessity of socially optimal planning horizons for efficient and safe robot navigation in crowded environments. Code and videos are available at Under Review.
• Abstract（参考訳）: 環境の不確実性や複雑な人間とロボットの相互作用のため、密集した動的な群集の中で社会ロボットをナビゲートすることは困難である。 Model Predictive Control (MPC)は、強力なリアルタイムパフォーマンスを提供するが、固定された予測水平線に依存しているため、環境の変化や社会的ダイナミクスへの適応性が制限される。 さらに、ほとんどのMPCアプローチは、歩行者を均質な障害物として扱い、社会的な異質性や協調的・敵対的な相互作用を無視し、部分的に観測可能な現実世界環境において凍結ロボット問題を引き起こす。 本稿では,計画の地平線を固定設計の選択ではなく,社会的に条件付けられた決定変数とみなす。 この知見に基づいて,推定社会状況に応じてオンラインのMPC監視を最適化する最適水平社会ナビゲーションフレームワークを提案する。 時空間変換器は、タスク駆動目的の下で予測地平線を最適に選択する強化学習政策の社会的先駆者として機能する局所軌道観測から歩行者の協調特性を推定する。 地平線を意識したMPCは、ナビゲーション効率と相互作用安全性のバランスをとるための社会的条件付き安全制約を取り入れている。 大規模なシミュレーションと実世界のロボット実験により、部分的に観察可能な群集において、最適な視線選択が堅牢な社会ナビゲーションにとって重要であることが示された。 現状のベースラインと比較して,提案手法は成功率を6.8倍に改善し,衝突率を50倍に削減し,ナビゲーション時間を19倍に短縮し,タイムアウト率を0.8倍に低減し,混雑した環境下での効率的なロボットナビゲーションのための社会的に最適な計画地平線の必要性を検証した。 コードとビデオは、Under Reviewで入手できる。

関連論文リスト

• From Obstacles to Etiquette: Robot Social Navigation with VLM-Informed Path Selection [57.74400052368147]
  本稿では,幾何学的計画と文脈的社会的推論を統合した社会ロボットナビゲーションフレームワークを提案する。 このシステムはまず障害物や人間の力学を抽出し、幾何学的に実現可能な候補経路を生成し、次に細調整された視覚言語モデル(VLM)を利用してこれらの経路を評価する。 4つのソーシャルナビゲーション環境における実験により, 生活空間違反の最小期間, 歩行者面の最小時間, 社会ゾーンの侵入がない場合に, ベストな総合的なパフォーマンスを達成できることが実証された。
  論文  参考訳（メタデータ） (2026-02-09T18:46:12Z)
• Optimization-Guided Diffusion for Interactive Scene Generation [52.23368750264419]
  本稿では,拡散型サンプリングにおける構造的一貫性と相互作用認識を実現するための,最適化誘導型トレーニングフリーフレームワークであるOMEGAを提案する。 OMEGAは生成リアリズム,一貫性,可制御性を向上し,身体的および行動学的に有効なシーンの比率を増大させることを示す。 当社のアプローチでは,3秒未満の時間対コリションで,より近いコリジョンフレームを5ドル(約5,500円)で生成することも可能だ。
  論文  参考訳（メタデータ） (2025-12-08T15:56:18Z)
• Socially aware navigation for mobile robots: a survey on deep reinforcement learning approaches [1.2891210250935148]
  社会に意識されたナビゲーションはロボット工学において急速に発展する研究領域であり、ロボットは暗黙の人間の社会規範に固執しながら、人間の環境内を移動することができる。 深層強化学習(Dep Reinforcement Learning, DRL)は、ロボットがそれらの目的を効果的に達成しつつ、これらの社会的慣行を組み込むことのできるナビゲーションポリシーの開発を加速した。 このサーベイは、DRLに基づく社会に意識したナビゲーションのアプローチの概要を提供し、プロキシ、人間の快適性、自然性、軌道、意図予測といった重要な側面を強調している。
  論文  参考訳（メタデータ） (2025-11-18T05:33:28Z)
• Integrating Offline Pre-Training with Online Fine-Tuning: A Reinforcement Learning Approach for Robot Social Navigation [3.5801655940143413]
  本稿では,Return-to-Go(RTG)を統合した,ロボットソーシャルナビゲーションのためのオフライン・オンラインファインチューニングアルゴリズムを提案する。 本アルゴリズムは,時間的歩行者動作パターンと空間的群集動態を協調的に符号化することにより,RTG値をリアルタイムに正確に推定するトランスフォーマー・ポラル融合モデルを特徴とする。 シミュレーションされた社会航法環境における実験により,本手法は最先端のベースラインに比べて高い成功率と低い衝突率を達成することが示された。
  論文  参考訳（メタデータ） (2025-10-01T03:37:02Z)
• GSON: A Group-based Social Navigation Framework with Large Multimodal Model [9.94576166903495]
  本稿では,新しいグループベースのソーシャルナビゲーションフレームワークであるGSONを紹介する。 GSONは視覚的プロンプトを使用して、歩行者間の社会的関係のゼロショット抽出を可能にする。 我々は、大規模な実世界の移動ロボットナビゲーション実験を通じてGSONを検証する。
  論文  参考訳（メタデータ） (2024-09-26T17:27:15Z)
• Principles and Guidelines for Evaluating Social Robot Navigation Algorithms [44.51586279645062]
  社会的ロボットナビゲーションは、動的エージェントとそのロボット行動の適切性に対する認識が関係しているため、評価が難しい。 コントリビューションには、(a)安全性、快適性、妥当性、丁寧さ、社会的能力、エージェント理解、活動性、文脈に対する応答性に関する原則、(b)メトリクスの使用のためのガイドライン、シナリオ、ベンチマーク、データセット、社会ナビゲーションを評価するためのシミュレーター、(c)様々なシミュレーター、ロボット、データセットの結果の比較を容易にするソーシャルナビゲーションメトリクスフレームワークなどが含まれます。
  論文  参考訳（メタデータ） (2023-06-29T07:31:43Z)
• 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。