論文の概要: Semantic Risk-Aware Heuristic Planning for Robotic Navigation in Dynamic Environments: An LLM-Inspired Approach

• arxiv url: http://arxiv.org/abs/2605.02862v1
• Date: Mon, 04 May 2026 17:38:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:50.438313
• Title: Semantic Risk-Aware Heuristic Planning for Robotic Navigation in Dynamic Environments: An LLM-Inspired Approach
• Title（参考訳）: 動的環境におけるロボットナビゲーションのセマンティックリスクを考慮したヒューリスティック計画:LLMによるアプローチ
• Authors: Hamza Ahmed Durrani, Rafay Suleman Durrani,
• Abstract要約: 大言語モデル(LLM)の推論原理を古典的なロボット経路計画に統合することは、急速に発展する研究の方向性を表している。 本研究では,LLMにインスパイアされたコスト関数を符号化したSRAH(Semantic Risk-Aware Heuristic)プランナを提案する。 この結果から,軽量でLCMにインスパイアされたプランナーでも,自律型ロボットナビゲーションの安全性とロバスト性を高めることが示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The integration of Large Language Model (LLM) reasoning principles into classical robot path planning represents a rapidly emerging research direction. In this paper, we propose a Semantic Risk-Aware Heuristic (SRAH) planner that encodes LLM-inspired cost functions penalising geometrically cluttered or high-risk zones into an A$^*$ search framework, augmented with closed-loop replanning upon dynamic obstacle detection. We evaluate SRAH against two established baselines Breadth-First Search (BFS) with replanning and a Greedy heuristic without replanning across 200 randomised trials in a $15{\times}15$ grid-world with 20\% static obstacle density and stochastic dynamic obstacles. SRAH achieves a task success rate of 62.0\%, outperforming BFS (56.5\%) by 9.7\% relative improvement and Greedy (4.0\%) by a large margin. We further analyse the trade-off between planning overhead, path efficiency, and failure-recovery count, and demonstrate via an obstacle-density ablation that semantic cost shaping consistently improves navigation across environments of varying difficulty. Our results suggest that even lightweight, LLM-inspired heuristics provide measurable safety and robustness gains for autonomous robot navigation.
• Abstract（参考訳）: 大言語モデル(LLM)の推論原理を古典的なロボット経路計画に統合することは、急速に発展する研究の方向性を表している。 本稿では,LLMにインスパイアされたコスト関数を符号化したSRAH(Semantic Risk-Aware Heuristic)プランナを提案する。 静的障害物密度が 20 % のグリッドワールドにおいて,SRAH と BFS (Breadth-First Search) の2つの確立されたベースラインに対して,200 のランダム化試行を計画変更せずに再計画し,グレディ・ヒューリスティック(Greedy Heuristic) を用いて評価した。 SRAHは62.0\%のタスク成功率を達成し、BFS(56.5\%)を9.7\%、Greedy(4.0\%)を大きなマージンで上回る。 さらに、計画上のオーバーヘッド、経路効率、障害復旧数の間のトレードオフを分析し、意味的なコスト形成によって、様々な困難のある環境を横断するナビゲーションが一貫して改善されることを障害物密度のアブレーションを通じて実証する。 以上の結果から,軽量でLCMにインスパイアされたヒューリスティックスでも,自律型ロボットナビゲーションの安全性とロバスト性を高めることが示唆された。

関連論文リスト

• Emergent Strategic Reasoning Risks in AI: A Taxonomy-Driven Evaluation Framework [63.74295981594549]
  大規模言語モデル(LLM)は、自身の目的を達成する行動に関与している。 これには、詐欺(故意に誤解を招くユーザや評価者)、評価ゲーム(安全テスト中のパフォーマンスを戦略的に操作する)、報酬ハッキングなどが含まれる。 自動行動リスク評価のための分類駆動型エージェントフレームワークであるESRRSimを紹介する。
  論文  参考訳（メタデータ） (2026-04-23T23:44:01Z)
• ATBench: A Diverse and Realistic Agent Trajectory Benchmark for Safety Evaluation and Diagnosis [96.92417622318267]
  ATBenchは、エージェント安全性の構造化、多様性、現実的な評価のための軌道レベルのベンチマークである。 リスクソース、障害モード、現実世界の危害の3つの側面に沿ってエージェント的リスクを編成する。 1000個の軌道(安全503個、安全497個)があり、平均9.01ターンと3.95kトークンがあり、2,084個のツールにまたがるプールから1,954個のツールが呼び出されている。
  論文  参考訳（メタデータ） (2026-04-02T13:26:20Z)
• Critic-Free Deep Reinforcement Learning for Maritime Coverage Path Planning on Irregular Hexagonal Grids [1.2891210250935148]
  海上監視任務は、広大で幾何学的に複雑な領域におけるセンシング資産の効率的な配分に依存している。 伝統的なカバー・パス・プランニングアプローチは不規則な海岸線、島々、および排他的地域と戦っている。 本研究では,不規則海域の六角形格子表現においてCPPを解くための深層強化学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-30T12:56:38Z)
• RA-Nav: A Risk-Aware Navigation System Based on Semantic Segmentation for Aerial Robots in Unpredictable Environments [7.128475765820446]
  既存の空飛ぶロボットナビゲーションシステムは、静的な障害物が突然動くと適応しない。 セマンティックセグメンテーションに基づくリスク対応ナビゲーションフレームワークであるRA-Navを提案する。 RA-Navは、突然の障害状態遷移シナリオにおいて、ベースラインよりも高い成功率を達成する。
  論文  参考訳（メタデータ） (2026-02-19T16:26:43Z)
• Risk-Aware Obstacle Avoidance Algorithm for Real-Time Applications [0.6299766708197881]
  本研究は,車両経路に沿った障害物の確率論的モデリングと,自律表面容器のスムーズな軌道最適化を統合したハイブリッド型リスク対応ナビゲーションアーキテクチャを提案する。 提案手法は、運転安全性と自律性の向上を示し、不確実かつダイナミックな環境下でのリスク対応型自動運転車のミッションのための有望なソリューションとして確立する。
  論文  参考訳（メタデータ） (2026-02-09T21:15:33Z)
• Work Zones challenge VLM Trajectory Planning: Toward Mitigation and Robust Autonomous Driving [24.37638378475337]
  本稿では、ビジュアル言語モデルと検索拡張生成を統合した軌跡計画フレームワークREACT-Driveを提案する。 Qwen2.5-VL を用いて評価した結果,REACT-Drive は VLM ベースラインに対する平均変位誤差を約3倍に削減できることがわかった。 また,実車を用いた実走行実験を実世界で15の作業ゾーンシナリオで実施し,REACT-Driveの強力な実用性を実証した。
  論文  参考訳（メタデータ） (2025-10-03T08:21:15Z)
• Diffusion-Reinforcement Learning Hierarchical Motion Planning in Multi-agent Adversarial Games [6.532258098619471]
  環境データに応答するグローバルパスを計画するために,高レベル拡散モデルを統合する階層型アーキテクチャを提案する。 提案手法は,検出率と目標到達率において77.18%,47.38%のベースラインを上回っている。
  論文  参考訳（メタデータ） (2024-03-16T03:53:55Z)
• 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)

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。