論文の概要: Learning Sidewalk Autopilot from Multi-Scale Imitation with Corrective Behavior Expansion

• arxiv url: http://arxiv.org/abs/2603.22527v1
• Date: Mon, 23 Mar 2026 19:41:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-25 19:53:37.172002
• Title: Learning Sidewalk Autopilot from Multi-Scale Imitation with Corrective Behavior Expansion
• Title（参考訳）: 修正行動拡張によるマルチスケール模倣によるサイドウォーク自動操縦の学習
• Authors: Honglin He, Yukai Ma, Brad Squicciarini, Wayne Wu, Bolei Zhou,
• Abstract要約: サイドウォークのマイクロモビリティは、ラストマイル輸送にとって有望なソリューションである。 現在の学習に基づく制御手法は複雑な都市環境において困難である。 本稿では,修正行動拡張とマルチスケール模倣学習を通じて模倣学習を促進する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）: 49.12280766257823
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sidewalk micromobility is a promising solution for last-mile transportation, but current learning-based control methods struggle in complex urban environments. Imitation learning (IL) learns policies from human demonstrations, yet its reliance on fixed offline data often leads to compounding errors, limited robustness, and poor generalization. To address these challenges, we propose a framework that advances IL through corrective behavior expansion and multi-scale imitation learning. On the data side, we augment teleoperation datasets with diverse corrective behaviors and sensor augmentations to enable the policy to learn to recover from its own mistakes. On the model side, we introduce a multi-scale IL architecture that captures both short-horizon interactive behaviors and long-horizon goal-directed intentions via horizon-based trajectory clustering and hierarchical supervision. Real-world experiments show that our approach significantly improves robustness and generalization in diverse sidewalk scenarios.
• Abstract（参考訳）: サイドウォークのマイクロモビリティは、ラストマイル輸送にとって有望なソリューションであるが、現在の学習に基づく制御手法は複雑な都市環境では困難である。 シミュレーション学習(IL)は、人間のデモンストレーションからポリシーを学ぶが、固定されたオフラインデータへの依存は、しばしば複雑なエラー、限られた堅牢性、一般化の欠如につながる。 これらの課題に対処するために,修正行動拡張とマルチスケール模倣学習を通じてILを進化させるフレームワークを提案する。 データ側では、さまざまな修正行動とセンサー強化を備えた遠隔操作データセットを拡張して、ポリシーが自身のミスから回復することを学べるようにします。 モデル側では,地平線に基づく軌道クラスタリングと階層的監視によって,短期水平対話行動と長期水平目標指向の意図の両方をキャプチャするマルチスケールILアーキテクチャを導入する。 実世界の実験により, 多様な歩道シナリオにおけるロバスト性や一般化が著しく向上することが示された。

関連論文リスト

• Hierarchical Federated Unlearning for Large Language Models [5.406594712642111]
  大きな言語モデル(LLM)は、現実のアプリケーションにますます統合され、プライバシやセキュリティ、望ましくない知識を取り除く必要性への懸念が高まっている。 スケーラブルでプライバシーを保護できるLLMのためのフェデレーション・アンラーニング・アプローチを提案する。 本手法は,タスク固有のアダプタ学習を通じて学習と保持を分離し,競合する目的を緩和するために階層的なマージ戦略を採用する。
  論文  参考訳（メタデータ） (2025-10-19T04:24:51Z)
• Flow Matching-Based Autonomous Driving Planning with Advanced Interactive Behavior Modeling [26.71028572181775]
  複雑なシナリオにおけるインタラクティブな運転行動のモデリングは、自動運転計画の根本的な課題である。 データモデリング、モデルアーキテクチャ、学習スキームの協調的な革新を通じて、これらの問題に対処するフロープランナを提案する。 Flow Plannerは、複雑な運転シナリオにおけるインタラクティブな振る舞いを効果的にモデル化しながら、学習ベースのアプローチ間で最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2025-10-13T07:25:13Z)
• Curriculum Imitation Learning of Distributed Multi-Robot Policies [5.376095069606724]
  マルチロボットシステムの学習制御ポリシは,長期的調整と現実的なトレーニングデータ取得の難しさから,大きな課題である。 そこで本研究では,訓練中の専門的軌跡の長さを徐々に増加させるカリキュラム戦略を提案する。 また,各ロボットの自我中心的知覚を,第三者によるグローバルなデモンストレーションのみを用いて近似する手法も導入した。
  論文  参考訳（メタデータ） (2025-09-29T17:31:48Z)
• TrajBooster: Boosting Humanoid Whole-Body Manipulation via Trajectory-Centric Learning [79.59753528758361]
  両足のVLAを促進するために、豊富な車輪付きヒューマノイドデータを活用するクロス・エボディメント・フレームワークであるTrajBoosterを提案する。 私たちのキーとなる考え方は、形態素に依存しないインターフェースとして、エンドエフェクタ・トラジェクトリを使用することです。 以上の結果から,TrajBoosterは既存の車輪付きヒューマノイドデータにより,二足歩行ヒューマノイドVLAの性能を効率的に向上させることができることがわかった。
  論文  参考訳（メタデータ） (2025-09-15T12:25:39Z)
• 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)
• Collaborative Imputation of Urban Time Series through Cross-city Meta-learning [54.438991949772145]
  メタ学習型暗黙的ニューラル表現(INR)を利用した新しい協調的計算パラダイムを提案する。 次に,モデルに依存しないメタ学習による都市間協調学習手法を提案する。 20のグローバル都市から得られた多様な都市データセットの実験は、我々のモデルの優れた計算性能と一般化可能性を示している。
  論文  参考訳（メタデータ） (2025-01-20T07:12:40Z)
• Open-World Reinforcement Learning over Long Short-Term Imagination [91.28998327423295]
  高次元オープンワールドにおける視覚的強化学習エージェントの訓練は、大きな課題を呈している。 LS-Imagineは、有限個の状態遷移ステップにおいて、イマジネーションの地平線を拡大する。 我々の手法は、MineDojoの最先端技術よりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2024-10-04T17:17:30Z)
• Sequential Neural Barriers for Scalable Dynamic Obstacle Avoidance [7.375976854181687]
  SNCBF(Sequential Neural Control Barrier Model)の合成学習法を提案する。 複数の動的障害物の空間的相互作用パターンを分解し,各障害物の状態列を通じて予測することができる。 提案手法の利点は,既存の手法と比較して動的衝突回避を改善することである。
  論文  参考訳（メタデータ） (2023-07-06T14:24:17Z)
• Visual Adversarial Imitation Learning using Variational Models [60.69745540036375]
  逆関数仕様は、深い強化学習を通しての学習行動にとって大きな障害であり続けている。 望ましい行動の視覚的なデモンストレーションは、エージェントを教えるためのより簡単で自然な方法を示すことが多い。 変動モデルに基づく対向的模倣学習アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2021-07-16T00:15:18Z)

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。