論文の概要: OSCAR: Obstacle Survival Curves for Adaptive Robot Navigation

• arxiv url: http://arxiv.org/abs/2606.00990v1
• Date: Sun, 31 May 2026 04:12:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:51:28.742166
• Title: OSCAR: Obstacle Survival Curves for Adaptive Robot Navigation
• Title（参考訳）: OSCAR:適応型ロボットナビゲーションのための障害物生存曲線
• Authors: Hshmat Sahak, Aoran Jiao, Nicholas Rhinehart, Tim Barfoot,
• Abstract要約: 既知のルートのグラフに従う移動ロボットは、一時的な障害物がクリティカルエッジをブロックした場合に、高価なナビゲーションエラーを発生させることができる。 我々は,一時的にブロックされたグラフベースのナビゲーションのための適応型サバイバルモデリングフレームワークOSCARを提案する。 本研究では, 人, 椅子, ビン, チューブなどの障害物のある大学アトリウムにおけるシミュレーションおよび実際の移動ロボット上でのアプローチを評価する。
• 参考スコア（独自算出の注目度）: 8.359991696376307
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A mobile robot following a graph of known routes can make costly navigation errors when a temporary obstacle blocks a critical edge: waiting too long behind a parked cart wastes time, but immediately rerouting around a person who would move in a few seconds is also inefficient. Standard reactive obstacle avoidance addresses local motion around obstacles, while fixed wait-or-reroute rules ignore how long different obstacle types tend to persist. We propose OSCAR: an adaptive survival-modeling framework for graph-based navigation with temporary blockages. Assuming obstacle class labels are available at encounter time, the robot learns class-conditioned residual clearance-time distributions from online experience, including right-censored observations when it reroutes before observing clearance. These survival models are integrated into a time-dependent graph planner that maintains obstacle memory and computes a patience threshold at each blocked edge: how long to wait before taking an alternate route. The method continuously updates its clearance estimates across episodes and uses them to balance waiting against rerouting. We evaluate the approach in simulation and on a real mobile robot in a university atrium with obstacles including people, chairs, bins, and tubes. In simulation, the learned policy's time-to-goal converges to within 1% of an oracle with access to ground-truth clearance distributions after fewer than 20 observations per obstacle class, outperforming all heuristic baselines. Real-world deployment confirms that the policy improves online, adapting its patience thresholds from experience across 50 navigation episodes.
• Abstract（参考訳）: 仮設の障害物が致命的な障害をブロックした場合、既知のルートをたどる移動ロボットはコストのかかるナビゲーションエラーを発生させる。駐車したカートの後ろで長く待つと時間が無駄になるが、数秒で移動する人の周りにすぐに移動することは非効率である。 標準的なリアクティブな障害物回避は障害物周辺の局所的な動きに対処するが、固定された待ち時間ルールは、異なる障害物タイプが持続する期間を無視する。 我々は,一時的にブロックされたグラフベースのナビゲーションのための適応型サバイバルモデリングフレームワークOSCARを提案する。 障害物クラスラベルが遭遇時に利用可能であると仮定すると、ロボットはクラス条件の残余クリアランスタイムの分布をオンライン体験から学習する。 これらのサバイバルモデルは、障害メモリを維持し、ブロックされた各エッジで忍耐しきい値を計算する、時間依存のグラフプランナに統合される。 この方法は、エピソードごとのクリアランスの見積もりを継続的に更新し、リルーティングに対する待機のバランスを取るために使用する。 本研究では, 人, 椅子, ビン, チューブなどの障害物のある大学アトリウムにおけるシミュレーションおよび実際の移動ロボット上でのアプローチを評価する。 シミュレーションでは、学習されたポリシーの時間とゴールは、障害物クラス当たり20個未満の観測の後、地道的クリアランス分布にアクセスでき、全てのヒューリスティックベースラインを上回る。 実際の展開は、このポリシーがオンラインを改善することを確認し、50回のナビゲーションエピソードの経験から忍耐しきい値に適応する。

関連論文リスト

• Self-Supervised Online Robot-Agnostic Traversability Estimation for Open-World Environments [14.96664579110115]
  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。
  論文  参考訳（メタデータ） (2026-05-27T13:08:07Z)
• Gait-Adaptive Perceptive Humanoid Locomotion with Real-Time Under-Base Terrain Reconstruction [86.53248703859718]
  本研究では,地形認識,歩行制御,全身制御を一つの強化学習ポリシーにマージする知覚的移動フレームワークを提案する。 31-DoF、1.65mのヒューマノイドロボットによる実験は、シミュレーションと実世界の両方で堅牢な移動を実証している。
  論文  参考訳（メタデータ） (2025-12-08T11:42:41Z)
• Learning Rock Pushability on Rough Planetary Terrain [0.0]
  本研究では,移動ロボットに搭載されたロボットマニピュレータの操作機能を活用することにより,非構造環境における移動ナビゲーションの代替手法を提案する。 提案フレームワークは,外的および内的フィードバックを統合し,障害物の押し出し能力を評価し,回避ではなく再配置を容易にする。 ナビゲーション手法の目的は,月面や火星面などの自律的なインフラ開発が不可欠である環境において,複数のエージェントが長期にわたって使用するルートの効率を向上させることである。
  論文  参考訳（メタデータ） (2025-05-14T22:23:30Z)
• Resilient Legged Local Navigation: Learning to Traverse with Compromised Perception End-to-End [16.748853375988013]
  我々は認識障害を目に見えない障害と落とし穴としてモデル化する。 我々は、強化学習に基づくローカルナビゲーションポリシーを訓練し、足のついたロボットを案内する。 シミュレーションおよび実四足歩行ロボットANYmalをリアルタイムに動作させることにより,本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2023-10-05T15:01:31Z)
• Learning Vision-based Pursuit-Evasion Robot Policies [54.52536214251999]
  我々は、部分的に観察可能なロボットの監督を生成する完全観測可能なロボットポリシーを開発する。 我々は、RGB-Dカメラを搭載した4足歩行ロボットに、野生での追従回避のインタラクションにポリシーを展開させる。
  論文  参考訳（メタデータ） (2023-08-30T17:59:05Z)
• Coupling Vision and Proprioception for Navigation of Legged Robots [65.59559699815512]
  我々は視覚と受容の相補的な強みを利用して、脚のあるロボットでポイントゴールナビゲーションを実現する。 車輪付きロボット(LoCoBot)のベースラインよりも優れた性能を示す。 また,センサーと計算能力を備えた四足歩行ロボットに,我々のシステムを実環境に展開することも示す。
  論文  参考訳（メタデータ） (2021-12-03T18:59:59Z)
• 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)
• Vision-Based Mobile Robotics Obstacle Avoidance With Deep Reinforcement Learning [49.04274612323564]
  障害物回避は、移動ロボットの自律ナビゲーションのための根本的かつ困難な問題です。 本稿では,ロボットが単一眼カメラにのみ依存しなければならない単純な3D環境における障害物回避の問題を検討する。 データ駆動型エンドツーエンドディープラーニングアプローチとして,障害回避問題に取り組む。
  論文  参考訳（メタデータ） (2021-03-08T13:05:46Z)

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。