論文の概要: Self-Supervised Online Robot-Agnostic Traversability Estimation for Open-World Environments

• arxiv url: http://arxiv.org/abs/2605.28442v1
• Date: Wed, 27 May 2026 13:08:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:56.066941
• Title: Self-Supervised Online Robot-Agnostic Traversability Estimation for Open-World Environments
• Title（参考訳）: オープンワールド環境における自己監督型オンラインロボット非依存トラバーサビリティ推定
• Authors: Julia Hindel, Simon Bultmann, Houman Masnavi, Daniele Cattaneo, Abhinav Valada,
• Abstract要約: 自己監督型オンライントラバーサビリティ推定により、ロボットはラベルのないオープンワールド体験から継続的に学習することができる。 我々は,マルチモーダルでラベルなしのロボット体験から連続的トラバーサビリティ推定を行うオンライン学習フレームワークCOTRATEを紹介する。
• 参考スコア（独自算出の注目度）: 14.96664579110115
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Self-supervised online traversability estimation enables robots to continuously learn from unlabeled open-world experiences and adapt their navigation behavior toward safe and efficient trajectories. Existing approaches either rely on handcrafted proprioceptive traversability scores, limiting robot-agnosticism, or cluster prior data, preventing online learning. Moreover, many continual learning methods incur substantial memory and computational costs, hindering onboard deployment. We introduce COTRATE, an online learning framework for continuous traversability estimation from multimodal, unlabeled robot experience. Our method first infers robust traversability scores using a robot-agnostic, learning-based online terrain assessment module operating on proprioceptiveand inertial signals. These scores then supervise a visual traversability network through a novel alignment loss that associates visual embeddings with online terrain assessments.To mitigate forgetting during continual learning with minimal overhead, we propose a diversity-aware feature selection strategythat preserves performance using a compact replay memory. We further show that the learned traversability representation supports knowledge transfer across different robot platforms with different locomotion kinematics. We evaluate COTRATE on a dataset of \approx 50,000 images collected with two robotic platforms across 11 outdoor terrains, and benchmark it on navigation tasks in three representative outdoor environments. We make the dataset, code, and trained models publicly available.
• Abstract（参考訳）: 自律的なオンライントラバーサビリティ推定により、ロボットはラベルのないオープンワールド体験から継続的に学び、ナビゲーションの振る舞いを安全で効率的な軌道に適応させることができる。 既存のアプローチでは、手作りの自己受容的トレーサビリティスコア、ロボット認識の制限、あるいは事前データをクラスタ化することで、オンライン学習を妨げている。 さらに、多くの連続学習手法は、大量のメモリと計算コストを発生させ、オンボード配置を妨げている。 我々は,マルチモーダルでラベルなしのロボット体験から連続的トラバーサビリティ推定を行うオンライン学習フレームワークCOTRATEを紹介する。 提案手法はまず,ロボットに依存しない学習型オンライン地形評価モジュールを用いて,確率的トラバーサビリティスコアを推定する。 これらのスコアは、視覚的埋め込みとオンライン地形評価を関連付ける新たなアライメント損失を通じて視覚的トラバーサビリティネットワークを監督し、連続学習中の忘れを最小限のオーバーヘッドで軽減するために、コンパクトなリプレイメモリを用いて性能を維持する多様性を考慮した特徴選択戦略を提案する。 さらに、学習された移動可能性表現は、異なる移動運動力学を持つ異なるロボットプラットフォーム間の知識伝達をサポートすることを示す。 我々は,11の屋外地形における2つのロボットプラットフォームで収集された5万枚の画像のデータセット上でCOTRATEを評価し,それを3つの代表的な屋外環境におけるナビゲーションタスクでベンチマークした。 データセット、コード、トレーニングされたモデルを公開しています。

関連論文リスト

• Robot Fine-Tuning Made Easy: Pre-Training Rewards and Policies for Autonomous Real-World Reinforcement Learning [58.3994826169858]
  ロボット強化学習のためのリセット不要な微調整システムであるRoboFuMEを紹介する。 我々の洞察は、オフラインの強化学習技術を利用して、事前訓練されたポリシーの効率的なオンライン微調整を確保することである。 提案手法では,既存のロボットデータセットからのデータを組み込んで,目標タスクを3時間以内の自律現実体験で改善することができる。
  論文  参考訳（メタデータ） (2023-10-23T17:50:08Z)
• STERLING: Self-Supervised Terrain Representation Learning from Unconstrained Robot Experience [43.49602846732077]
  自己教師型テレイン表現学習(STERling)について紹介する。 STERlingは、地形表現を学習するための新しいアプローチであり、簡単に編集できる、制約のない(例えば、非専門家)、非ラベルのロボット体験にのみ依存する。 我々は、優先的な視覚ナビゲーションのタスクにおけるSTERling機能を評価し、STERling機能が完全に教師付きされたアプローチと同等に機能することを見出した。
  論文  参考訳（メタデータ） (2023-09-26T22:55:32Z)
• Offline Reinforcement Learning for Visual Navigation [66.88830049694457]
  ReViNDは、ロボットナビゲーションのための最初のオフラインRLシステムで、これまで収集されたデータを利用して、現実世界でユーザーが指定した報酬関数を最適化する。 ReViNDは、このデータセットからのオフライントレーニングのみを使用して、遠方の目標にナビゲートできることを示し、ユーザ指定の報酬関数に基づいて、質的に異なる振る舞いを示す。
  論文  参考訳（メタデータ） (2022-12-16T02:23:50Z)
• GNM: A General Navigation Model to Drive Any Robot [67.40225397212717]
  視覚に基づくナビゲーションのための一般的な目標条件付きモデルは、多くの異なるが構造的に類似したロボットから得られたデータに基づいて訓練することができる。 ロボット間の効率的なデータ共有に必要な設計決定について分析する。 我々は、訓練されたGNMを、下四極子を含む様々な新しいロボットに展開する。
  論文  参考訳（メタデータ） (2022-10-07T07:26:41Z)
• Unsupervised Online Learning for Robotic Interestingness with Visual Memory [9.189959184116962]
  そこで本研究では,オンライン環境に自動的に適応して,興味深いシーンを素早く報告する手法を開発した。 地下トンネル環境における最先端の非監視手法よりも平均20%高い精度を実現する。
  論文  参考訳（メタデータ） (2021-11-18T16:51:39Z)
• Rapid Exploration for Open-World Navigation with Latent Goal Models [78.45339342966196]
  多様なオープンワールド環境における自律的な探索とナビゲーションのためのロボット学習システムについて述べる。 本手法のコアとなるのは、画像の非パラメトリックトポロジカルメモリとともに、距離と行動の学習された潜在変数モデルである。 学習方針を規則化するために情報ボトルネックを使用し、(i)目標のコンパクトな視覚的表現、(ii)一般化能力の向上、(iii)探索のための実行可能な目標をサンプリングするためのメカニズムを提供する。
  論文  参考訳（メタデータ） (2021-04-12T23:14:41Z)
• ViNG: Learning Open-World Navigation with Visual Goals [82.84193221280216]
  視覚的目標達成のための学習に基づくナビゲーションシステムを提案する。 提案手法は,我々がvingと呼ぶシステムが,目標条件強化学習のための提案手法を上回っていることを示す。 我々は、ラストマイル配送や倉庫検査など、現実の多くのアプリケーションでViNGを実演する。
  論文  参考訳（メタデータ） (2020-12-17T18:22:32Z)
• Robot Perception enables Complex Navigation Behavior via Self-Supervised Learning [23.54696982881734]
  本稿では、強化学習(RL)によるアクティブな目標駆動ナビゲーションタスクのためのロボット認識システムの統合手法を提案する。 提案手法は,1つの画像列から直接自己スーパービジョンを用いて得られる,コンパクトな動きと視覚知覚データを時間的に組み込む。 我々は,新しいインタラクティブなCityLearnフレームワークを用いて,実世界の運転データセットであるKITTIとOxford RobotCarのアプローチを実証した。
  論文  参考訳（メタデータ） (2020-06-16T07:45:47Z)

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。