論文の概要: Learning-Based Navigation for Indoor Mobile Robots

• arxiv url: http://arxiv.org/abs/2605.30468v1
• Date: Thu, 28 May 2026 18:40:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-01 20:56:50.178477
• Title: Learning-Based Navigation for Indoor Mobile Robots
• Title（参考訳）: 屋内移動ロボットのための学習型ナビゲーション
• Authors: Tri-Tin Nguyen, Tien-Dat Nguyen, Gia-Uy Le, Vinh Nguyen, Vinh-Hao Nguyen,
• Abstract要約: このフレームワークは、シミュレーションと実世界の屋内環境の両方で実装され、評価される。 提案手法は,安全な目標方向ナビゲーションを行うための,実現可能なグローバルルートと信頼性のあるローカルモーションコマンドを生成する。
• 参考スコア（独自算出の注目度）: 1.3992776779773495
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents a learning-based navigation framework for indoor mobile robots. The proposed method combines a supervised neural global planner, trained from cost-aware A* expert trajectories, with the proposed Learning-Based DWA local planner, which is formulated as discrete candidate selection over the Dynamic Window Approach (DWA) action lattice. For local planning, the policy is first trained by behavior cloning and then refined by Proximal Policy Optimization (PPO) under feasibility-aware masking. The framework is implemented and evaluated in both simulated and real-world indoor environments. Experimental results show that the proposed method generates feasible global routes and reliable local motion commands for safe goal-directed navigation in the presence of obstacles. These results demonstrate the effectiveness of integrating learning-based global planning with reinforcement-learning-refined local control for indoor mobile robot navigation. The source code will be released at https://ntdathp.github.io/rl_robot_web/.
• Abstract（参考訳）: 本稿では,屋内移動ロボットのための学習型ナビゲーションフレームワークを提案する。 提案手法は,コストを意識したA*エキスパートトラジェクトリから訓練された教師付きニューラル・グローバル・プランナと,動的ウインドウ・アプローチ(DWA)アクション格子上の離散的候補選択として定式化された学習ベースDWAローカル・プランナを組み合わせる。 地域計画において、この政策はまず行動のクローン化によって訓練され、続いてPPO(Proximal Policy Optimization)によって改善される。 このフレームワークは、シミュレーションと実世界の屋内環境の両方で実装され、評価される。 実験により,提案手法は,障害物が存在する場合に安全な目標方向ナビゲーションを行うための,実現可能なグローバルルートと信頼性のあるローカルモーションコマンドを生成することを示す。 これらの結果から,屋内移動ロボットナビゲーションにおける学習型グローバルプランニングと強化学習による局所制御の統合の有効性が示された。 ソースコードはhttps://ntdathp.github.io/rl_robot_web/で公開される。

関連論文リスト

• AutoFly: Vision-Language-Action Model for UAV Autonomous Navigation in the Wild [62.47761809929869]
  視覚言語ナビゲーション(VLN)は、視覚的観察とともに言語指示を解釈することで、知的エージェントが環境をナビゲートする必要がある。 無人航空機(UAV)の現在のVLN研究は、所定のルートに沿ってUAVを誘導するための詳細な指示に依存している。 本稿では,自律型UAVナビゲーションのためのエンド・ツー・エンドのビジョン・ランゲージ・アクションモデルであるAutoFlyを提案する。
  論文  参考訳（メタデータ） (2026-02-10T11:08:07Z)
• Digital Twin Supervised Reinforcement Learning Framework for Autonomous Underwater Navigation [0.0]
  本稿では,科学実験に広く利用されているオープンプラットフォームであるBlueROV2の事例を通して,課題を考察する。 本稿では,PPOアルゴリズムに基づく深層強化学習手法を提案する。 以上の結果から, PPO政策は高度に乱雑な環境でのDWAを一貫して上回っていることが示唆された。
  論文  参考訳（メタデータ） (2025-12-11T18:52:42Z)
• 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)
• Hierarchical Reinforcement Learning for Safe Mapless Navigation with Congestion Estimation [7.339743259039457]
  本稿では,階層的強化学習(HRL)を利用した安全な地図レスナビゲーションフレームワークを提案する。 その結果,HRLに基づくナビゲーションフレームワークは静的シナリオと動的シナリオの両方で優れていることがわかった。 本研究では,物理的な検証実験を行うために,TurtleBot3ロボット上にHRLベースのナビゲーションフレームワークを実装した。
  論文  参考訳（メタデータ） (2025-03-15T08:03:50Z)
• Deep Reinforcement Learning with Enhanced PPO for Safe Mobile Robot Navigation [0.6554326244334868]
  本研究では,複雑な環境下での自律走行のための移動ロボットの訓練における深層強化学習の適用について検討する。 このロボットは、LiDARセンサデータとディープニューラルネットワークを用いて、障害物を回避しつつ、特定の目標に向かって誘導する制御信号を生成する。
  論文  参考訳（メタデータ） (2024-05-25T15:08:36Z)
• NoMaD: Goal Masked Diffusion Policies for Navigation and Exploration [57.15811390835294]
  本稿では,目標指向ナビゲーションと目標非依存探索の両方を扱うために,単一の統合拡散政策をトレーニングする方法について述べる。 この統一された政策は、新しい環境における目標を視覚的に示す際に、全体的な性能が向上することを示す。 実世界の移動ロボットプラットフォーム上で実施した実験は,5つの代替手法と比較して,見えない環境における効果的なナビゲーションを示す。
  論文  参考訳（メタデータ） (2023-10-11T21:07:14Z)
• 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)
• Robot path planning using deep reinforcement learning [0.0]
  強化学習法は、地図のないナビゲーションタスクに代わる手段を提供する。 障害物回避と目標指向ナビゲーションタスクの両方に深部強化学習エージェントを実装した。 報酬関数の変更によるエージェントの挙動と性能の変化を解析する。
  論文  参考訳（メタデータ） (2023-02-17T20:08:59Z)
• Tackling Real-World Autonomous Driving using Deep Reinforcement Learning [63.3756530844707]
  本研究では,加速と操舵角度を予測するニューラルネットワークを学習するモデルレスディープ強化学習プランナを提案する。 実際の自動運転車にシステムをデプロイするために、我々は小さなニューラルネットワークで表されるモジュールも開発する。
  論文  参考訳（メタデータ） (2022-07-05T16:33:20Z)
• XAI-N: Sensor-based Robot Navigation using Expert Policies and Decision Trees [55.9643422180256]
  本稿では,ロボットの密集した動的環境における衝突のない軌道を計算するためのセンサベース学習ナビゲーションアルゴリズムを提案する。 我々のアプローチは、sim2realパラダイムを用いて訓練された深層強化学習に基づくエキスパートポリシーを使用する。 シミュレーション環境でのアルゴリズムの利点を強調し、移動中の歩行者の間でClearpath Jackalロボットをナビゲートする。
  論文  参考訳（メタデータ） (2021-04-22T01:33:10Z)

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。