論文の概要: SaferPath: Hierarchical Visual Navigation with Learned Guidance and Safety-Constrained Control

• arxiv url: http://arxiv.org/abs/2603.01898v1
• Date: Mon, 02 Mar 2026 14:17:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:41.827213
• Title: SaferPath: Hierarchical Visual Navigation with Learned Guidance and Safety-Constrained Control
• Title（参考訳）: SaferPath: 学習誘導と安全制約制御による階層型ビジュアルナビゲーション
• Authors: Lingjie Zhang, Zeyu Jiang, Changhao Chen,
• Abstract要約: ビジュアルナビゲーションはモバイルロボットの中核機能であるが、エンド・ツー・エンドの学習ベースの手法は、目に見えない、散らかった、狭い環境での一般化と安全性に苦しむことが多い。 本稿では,既存のエンド・ツー・エンドモデルから学習したガイダンスを活用し,安全性に制約のある最適化制御モジュールを通じて改良した階層型ビジュアルナビゲーションフレームワークであるSaferPathを提案する。
• 参考スコア（独自算出の注目度）: 9.692780954657229
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Visual navigation is a core capability for mobile robots, yet end-to-end learning-based methods often struggle with generalization and safety in unseen, cluttered, or narrow environments. These limitations are especially pronounced in dense indoor settings, where collisions are likely and end-to-end models frequently fail. To address this, we propose SaferPath, a hierarchical visual navigation framework that leverages learned guidance from existing end-to-end models and refines it through a safety-constrained optimization-control module. SaferPath transforms visual observations into a traversable-area map and refines guidance trajectories using Model Predictive Stein Variational Evolution Strategy (MP-SVES), efficiently generating safe trajectories in only a few iterations. The refined trajectories are tracked by an MPC controller, ensuring robust navigation in complex environments. Extensive experiments in scenarios with unseen obstacles, dense unstructured spaces, and narrow corridors demonstrate that SaferPath consistently improves success rates and reduces collisions, outperforming representative baselines such as ViNT and NoMaD, and enabling safe navigation in challenging real-world settings.
• Abstract（参考訳）: ビジュアルナビゲーションはモバイルロボットの中核機能であるが、エンド・ツー・エンドの学習ベースの手法は、目に見えない、散らかった、狭い環境での一般化と安全性に苦しむことが多い。 これらの制限は特に密集した屋内環境では顕著であり、衝突の可能性が高く、エンドツーエンドモデルは頻繁に失敗する。 そこで本稿では,既存のエンド・ツー・エンドモデルから学習したガイダンスを活用し,安全性に制約のある最適化制御モジュールを通じて改良した階層型ビジュアルナビゲーションフレームワークであるSaferPathを提案する。 SaferPathは、視覚的観察をトラバーサブル・エリアマップに変換し、モデル予測ステイン変分進化戦略(MP-SVES)を用いて誘導軌跡を洗練し、数回の反復で安全な軌跡を効率的に生成する。 改良された軌道はMPCコントローラによって追跡され、複雑な環境で堅牢な航法が保証される。 目に見えない障害物、密集した未構造空間、狭い廊下のシナリオにおける大規模な実験は、サファーパスが一貫して成功率を改善し、衝突を減らすことを示し、ViNTやNoMaDのような代表的ベースラインを上回り、現実の環境に挑戦する上で安全なナビゲーションを可能にする。

関連論文リスト

• NaviHydra: Controllable Navigation-guided End-to-end Autonomous Driving with Hydra-distillation [6.722962084265695]
  NaviHydraは、既存のルールベースのシミュレータから抽出した、制御可能なナビゲーションガイド付きエンドツーエンドモデルである。 本フレームワークは,高レベルナビゲーションコマンドを制御信号として受け入れ,特定の意図に整合した軌道を生成する。
  論文  参考訳（メタデータ） (2025-12-11T14:05:18Z)
• NOVA: Navigation via Object-Centric Visual Autonomy for High-Speed Target Tracking in Unstructured GPS-Denied Environments [56.35569661650558]
  我々はNOVAというオブジェクト中心のフレームワークを導入し、ロバストな目標追跡と衝突認識ナビゲーションを可能にした。 グローバルマップを構築するのではなく、NOVAはターゲットの参照フレーム内での知覚、推定、制御を定式化する。 我々は,都市迷路や森林の小道,間欠的なGPS損失を伴う建物内の繰り返し遷移など,現実の挑戦的なシナリオにまたがってNOVAを検証する。
  論文  参考訳（メタデータ） (2025-06-23T14:28:30Z)
• 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)
• Convergence of Communications, Control, and Machine Learning for Secure and Autonomous Vehicle Navigation [78.60496411542549]
  接続された自動運転車(CAV)は、交通事故におけるヒューマンエラーを低減し、道路効率を向上し、様々なタスクを実行する。これらのメリットを享受するためには、CAVが目標とする目的地へ自律的にナビゲートする必要がある。 本稿では,通信理論,制御理論,機械学習の収束を利用して,効果的なCAVナビゲーションを実現する手法を提案する。
  論文  参考訳（メタデータ） (2023-07-05T21:38:36Z)
• Confidence-Controlled Exploration: Efficient Sparse-Reward Policy Learning for Robot Navigation [72.24964965882783]
  強化学習(RL)はロボットナビゲーションにおいて有望なアプローチであり、ロボットは試行錯誤を通じて学習することができる。 現実世界のロボットタスクは、しばしばまばらな報酬に悩まされ、非効率な探索と準最適政策に繋がる。 本稿では,RLに基づくロボットナビゲーションにおいて,報酬関数を変更せずにサンプル効率を向上させる新しい手法であるConfidence-Controlled Exploration (CCE)を紹介する。
  論文  参考訳（メタデータ） (2023-06-09T18:45:15Z)
• ETPNav: Evolving Topological Planning for Vision-Language Navigation in Continuous Environments [56.194988818341976]
  視覚言語ナビゲーションは、エージェントが環境中をナビゲートするための指示に従う必要があるタスクである。 本研究では,1)環境を抽象化し,長距離航法計画を生成する能力,2)連続環境における障害物回避制御能力の2つの重要なスキルに焦点を当てたETPNavを提案する。 ETPNavは、R2R-CEとRxR-CEデータセットの先行技術よりも10%以上、20%改善されている。
  論文  参考訳（メタデータ） (2023-04-06T13:07:17Z)
• Learning Forward Dynamics Model and Informed Trajectory Sampler for Safe Quadruped Navigation [1.2783783498844021]
  典型的なSOTAシステムは、マッパー、グローバルプランナー、ローカルプランナー、コマンドトラッキングコントローラの4つの主要モジュールで構成されている。 我々は,グローバルプランナから粗い計画経路を追跡するためのベロシティプランを生成するために,ロバストで安全なローカルプランナを構築している。 この枠組みを用いることで、四足歩行ロボットは衝突なしに様々な複雑な環境を自律的に移動でき、ベースライン法と比較してスムーズなコマンドプランを生成することができる。
  論文  参考訳（メタデータ） (2022-04-19T04:01:44Z)

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。