論文の概要: Can Causal Models Enhance Robot Navigation? Online Causal Adaptation for Real-Robot Navigation
- arxiv url: http://arxiv.org/abs/2606.15691v1
- Date: Sun, 14 Jun 2026 09:11:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-16 16:21:33.796983
- Title: Can Causal Models Enhance Robot Navigation? Online Causal Adaptation for Real-Robot Navigation
- Title（参考訳）: 因果モデルでロボットナビゲーションは可能か? : リアルロボットナビゲーションのためのオンライン因果適応
- Abstract要約: ロボット工学における因果関係は、より解釈可能で柔軟なロボット行動を生み出すことを目的としている。
本稿では,航法シナリオのための実ロボット実験における因果モデル転送の問題に対処する。
- 参考スコア（独自算出の注目度）: 0.6299766708197881
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Causality in robotics aims to produce more interpretable and flexible robot behaviours by enabling robots to predict the consequences of their actions; however, deploying causal models with existing systems (e.g., navigation) operating in real environments remains understudied. This paper addresses the challenging problem of transferring causal models in real-robot experiments for a navigation scenario. We study this problem in two ways: (i) using the causal model as an offline evaluation module that predicts the competence of recorded real-robot navigation trajectories and relates it to quantitative navigation performance, and (ii) using the causal model as an online adaptation module that intervenes when the predicted competence of the default navigation is low. We validate our approach in a physical service robot that patrols around corridors. We show that the predicted competence correlates positively with path efficiency, and negatively with path irregularities (suboptimal behaviour). The model predictions also show strong agreement with human annotations (Cohen's kappa value of 0.88). In online experiments, the proposed method improves navigation performance in complex scenarios such as cornering and obstacle avoidance, yielding higher predicted competence and better navigation metrics than the default navigation baseline. In simpler scenarios, where the baseline already performs near-optimally, the causal adaptation provides limited benefit. These results indicate that causal models are particularly effective in enhancing navigation under increased task complexity. Overall, our results demonstrate that causal models developed for behavioural interpretation can be successfully integrated into real-robot navigation systems.
- Abstract（参考訳）: ロボット工学における因果関係は、ロボットが行動の結果を予測することによって、より解釈可能で柔軟なロボット行動を生み出すことを目的としている。
本稿では,航法シナリオにおける実ロボット実験における因果関係モデルの伝達という課題に対処する。
私たちはこの問題を2つの方法で研究する。
一 オフライン評価モジュールとして因果モデルを用いて、記録された実ロボット航法における航法能力を予測し、それを量的航法性能に関連付けること。
(2) デフォルトナビゲーションの予測能力が低い場合に介入するオンライン適応モジュールとして因果モデルを用いる。
廊下をパトロールする物理サービスロボットのアプローチを検証する。
予測能力は経路効率と正に相関し, 経路の不規則性(準最適行動)と負に相関することを示す。
モデル予測はまた、人間のアノテーションと強く一致している(コーエンのカッパ値は0.88)。
オンライン実験では、コーナーや障害物回避といった複雑なシナリオにおけるナビゲーション性能を改善し、デフォルトのナビゲーションベースラインよりも高い予測能力とより良いナビゲーションメトリクスが得られる。
ベースラインがほぼ最適に動作している単純なシナリオでは、因果適応は限られた利益をもたらす。
これらの結果は,タスク複雑性の増大によるナビゲーション向上に因果モデルが特に有効であることが示唆された。
以上の結果から,行動解釈のために開発された因果モデルを実ロボットナビゲーションシステムに統合できることが示唆された。
関連論文リスト
- Towards Edge Intelligence via Autonomous Navigation: A Robot-Assisted Data Collection Approach [7.871361120036574]
既存のロボット支援データ収集手法は、特にNLoS(Non-of-sight)環境で、信頼性と効率的なパフォーマンスを達成する上で大きな課題に直面している。
本稿では,地域対応の伝搬特性と非点衝突伝搬特性を組み込んだ通信駆動型デュアルMMDナビゲーション方式を提案する。
また, CLDはナビゲーション, コミュニケーション, 学習目標間の重み係数を柔軟に調整することで, 異なるシナリオに適応できることを示した。
論文 参考訳（メタデータ） (2026-04-04T07:40:26Z) - A Causal Approach to Predicting and Improving Human Perceptions of Social Navigation Robots [0.9134244356393665]
Causal Networkは、人々がモバイルロボットの能力をどのように認識し、ナビゲーション中にその意図をどう解釈するかを予測するように設計されている。
低能力ロボット行動の知覚能力は,統計的に83%向上した。
論文 参考訳（メタデータ） (2026-03-11T20:39:11Z) - 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) - Situationally-Aware Dynamics Learning [57.698553219660376]
隠れ状態表現のオンライン学習のための新しいフレームワークを提案する。
提案手法は、非観測パラメータが遷移力学と報酬構造の両方に与える影響を明示的にモデル化する。
シミュレーションと実世界の両方の実験は、データ効率、ポリシー性能、安全で適応的なナビゲーション戦略の出現を著しく改善した。
論文 参考訳（メタデータ） (2025-05-26T06:40:11Z) - Action Flow Matching for Continual Robot Learning [54.10050120844738]
ロボット工学における継続的な学習は、変化する環境やタスクに常に適応できるシステムを求める。
本稿では,オンラインロボット力学モデルアライメントのためのフローマッチングを利用した生成フレームワークを提案する。
ロボットは,不整合モデルで探索するのではなく,行動自体を変換することで,より効率的に情報収集を行う。
論文 参考訳（メタデータ） (2025-04-25T16:26:15Z) - Navigating the Human Maze: Real-Time Robot Pathfinding with Generative Imitation Learning [0.0]
目標条件付き自己回帰モデルを導入し,個人間の複雑な相互作用を捉える。
このモデルは、潜在的なロボット軌道サンプルを処理し、周囲の個人の反応を予測する。
論文 参考訳（メタデータ） (2024-08-07T14:32:41Z) - Multi-Agent Dynamic Relational Reasoning for Social Robot Navigation [50.01551945190676]
社会ロボットナビゲーションは、日常生活の様々な状況において有用であるが、安全な人間とロボットの相互作用と効率的な軌道計画が必要である。
本稿では, 動的に進化する関係構造を明示的に推論した系統的関係推論手法を提案する。
マルチエージェント軌道予測とソーシャルロボットナビゲーションの有効性を実証する。
論文 参考訳（メタデータ） (2024-01-22T18:58:22Z) - RACER: Rational Artificial Intelligence Car-following-model Enhanced by Reality [46.909086734963665]
本稿では,アダプティブ・クルーズ・コントロール(ACC)運転行動を予測する,最先端の深層学習車追従モデルであるRACERを紹介する。
従来のモデルとは異なり、RACERは実走行の重要な要素であるRDC(Rational Driving Constraints)を効果的に統合している。
RACERはアクセラレーション、ベロシティ、スペーシングといった主要なメトリクスを網羅し、ゼロ違反を登録する。
論文 参考訳（メタデータ） (2023-12-12T06:21:30Z) - OSCAR: Data-Driven Operational Space Control for Adaptive and Robust
Robot Manipulation [50.59541802645156]
オペレーショナル・スペース・コントロール(OSC)は、操作のための効果的なタスクスペース・コントローラとして使われてきた。
本稿では,データ駆動型OSCのモデル誤差を補償するOSC for Adaptation and Robustness (OSCAR)を提案する。
本手法は,様々なシミュレーション操作問題に対して評価し,制御器のベースラインの配列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） (2021-10-02T01:21:38Z) - Robot Localization and Navigation through Predictive Processing using
LiDAR [0.0]
本稿では,レーザーセンサを用いた位置認識とナビゲーションに応用した,予測処理にインスパイアされたアプローチの実証について述べる。
我々は自己教師型学習を通してレーザ生成モデルを学び、オンライン状態推定とナビゲーションの両方を行う。
その結果,オドメトリーの欠如による粒子フィルタとの比較では,状態推定性能が向上した。
論文 参考訳（メタデータ） (2021-09-09T09:58:00Z) - APPLD: Adaptive Planner Parameter Learning from Demonstration [48.63930323392909]
本稿では,既存のナビゲーションシステムを新しい複雑な環境に適用可能な,適応プランナー学習(Adaptive Planner Learning from Demonstration)のAPPLDを紹介する。
APPLDは異なる環境で異なるナビゲーションシステムを実行する2つのロボットで検証されている。
実験結果から,APPLDはナビゲーションシステムよりも,デフォルトパラメータや専門家パラメータ,さらには人間実証者自体よりも優れていることが示された。
論文 参考訳（メタデータ） (2020-03-31T21:15:16Z)
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。