論文の概要: NavIsaacLab: Generating Realistic Crowd via Parallel Robot Learning for Benchmarking Human-aware Navigation
- arxiv url: http://arxiv.org/abs/2606.26265v1
- Date: Wed, 24 Jun 2026 18:08:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-26 18:46:32.041231
- Title: NavIsaacLab: Generating Realistic Crowd via Parallel Robot Learning for Benchmarking Human-aware Navigation
- Title（参考訳）: NavIsaacLab: 人間の認識ナビゲーションのベンチマークのための並列ロボット学習による現実的な群衆の生成
- Abstract要約: 本稿では,ナビゲーションポリシーをベンチマークし,トレーニングするための総合的なフレームワークであるNavIsaacLabについて述べる。
提案フレームワークはIsaac Labをベースとして,フォトリアリスティックなシーンレンダリング機能を採用し,GPU上での並列シミュレーションをサポートする。
人間の行動の現実性を高めるために、軌道拡散モデルと対向運動学習コントローラを組み込んだデータ駆動型アプローチを用いる。
- 参考スコア（独自算出の注目度）: 40.511983590273445
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Robot autonomous navigation that accounts for surrounding human activities is crucial for ensuring both safety and natural human-robot interaction in real-world environments shared by humans and robots. Simulation of complex and diverse navigation scenarios serves as the foundation for training reliable robot navigation policies and accurately evaluating the performance of algorithms, offering an efficient alternative to manual supervision of real data. However, current human-aware navigation research faces significant challenges due to the scarcity of diverse, high-quality scene data. Existing simulation platforms often rely on handcrafted rules to approximate pedestrian behavior and lack the capability to provide extensive sensor signals, typically assuming perfect observations. To address these limitations, this paper presents NavIsaacLab, a comprehensive framework for benchmarking and training human-aware navigation policies through physics-based and photo-realistic simulations of pedestrians and scenes. Based on Isaac Lab, the proposed framework employs photo-realistic scene rendering capabilities and supports parallel simulation on GPU, delivering real-time and accurate 3D visual feedback to robots. To enhance the realism of human behavior, a data-driven approach is employed that incorporates a trajectory diffusion model and an adversarial motion learning controller, enabling controllable, physics-based pedestrian simulation. Furthermore, the integration of diverse cross-scale scenes provides a robust benchmark for state-of-the-art human-aware navigation methods.
- Abstract（参考訳）: 人間とロボットが共有する現実世界の環境において、人間の活動を取り巻く自律的なナビゲーションは、安全と自然の両方の人間とロボットの相互作用を保証するために不可欠である。
複雑で多様なナビゲーションシナリオのシミュレーションは、信頼性の高いロボットナビゲーションポリシーをトレーニングし、アルゴリズムのパフォーマンスを正確に評価する基盤として機能し、実際のデータの手動による監督に代わる効果的な代替手段を提供する。
しかし、現在の人間を意識したナビゲーション研究は、多様な高品質のシーンデータが不足しているため、重大な課題に直面している。
既存のシミュレーションプラットフォームは、しばしば歩行者の挙動を近似するために手作りの規則に依存しており、通常は完璧な観察を仮定する広範なセンサー信号を提供する能力が欠如している。
これらの制約に対処するため、NavIsaacLabは、歩行者やシーンの物理および写真リアルなシミュレーションを通じて、人間の認識するナビゲーションポリシーをベンチマークし、訓練するための総合的なフレームワークである。
提案されたフレームワークは、Isaac Labに基づいて、写真リアリスティックなシーンレンダリング機能を採用し、GPU上で並列シミュレーションをサポートし、ロボットにリアルタイムで正確な3D視覚フィードバックを提供する。
人間の行動の現実性を高めるために、軌道拡散モデルと対向運動学習コントローラを組み込んだデータ駆動型アプローチを用いて、制御可能な物理に基づく歩行者シミュレーションを可能にする。
さらに、多様なクロススケールシーンの統合は、最先端のヒューマン・アウェア・ナビゲーション手法の堅牢なベンチマークを提供する。
関連論文リスト
- RGB-D Video Generation for Improving Human-to-Robot Object Handover Prediction [51.76737991200891]
H2R(Human-to-robot)オブジェクトハンドオーバは、人間とロボットのコラボレーションの基本的な能力である。
本稿では,RGB-DビデオデータセットであるHand2Botを紹介する。
ハンドオブジェクトの一貫性を確保しつつ,現実的なハンドオーバシーケンスを合成する生成パイプラインであるPassGenを提案する。
論文 参考訳（メタデータ） (2026-08-13T09:55:59Z) - LOTUSim: Multi-Domain Simulator for Marine Robotics [0.49838563301861205]
LOTUSimは、空中、地表、水中のロボットシステム間のマルチユーザーインタラクションをサポートするリアルタイム海洋シミュレータである。
バリデーションは、厳格なリアルタイム実行と高い視覚的忠実さを維持しながら、大規模な異種海洋ドローン群にスケールしながら、堅牢なループ内パフォーマンスを示す。
結果は,オペレーティング・ザ・ループ海洋ロボット研究におけるシミュレーションプラットフォームとしてのLOTUSimの適合性を確認した。
論文 参考訳（メタデータ） (2026-07-03T08:09:01Z) - Teaching Robots Like Dogs: Learning Agile Navigation from Luring, Gesture, and Speech [19.38205427861322]
本研究の目的は,ロボットが人間の社会的手がかりを解釈し,身体的指導を通じて適切な行動を生み出す方法を学習できるようにすることである。
本稿では,ロボットがデータ効率のよいナビゲーション行動を取得することを可能にする,ループ型ヒューマン・イン・ザ・ループ・フレームワークを提案する。
障害を飛び越えたり回避したりする6つの現実のアジャイルナビゲーションシナリオで、私たちのフレームワークを評価します。
論文 参考訳（メタデータ） (2026-01-13T10:47:12Z) - Unreal Robotics Lab: A High-Fidelity Robotics Simulator with Advanced Physics and Rendering [4.760567755149477]
本稿では,Unreal Engineの高度なレンダリング機能とMuJoCoの高精度物理シミュレーションを統合する新しいシミュレーションフレームワークを提案する。
我々のアプローチは、正確な物理的相互作用を維持しながら、現実的なロボット知覚を可能にする。
フレームワーク内のビジュアルナビゲーションとSLAMメソッドをベンチマークし、制御されながら多様なシナリオで実世界のロバスト性をテストするための実用性を実証する。
論文 参考訳（メタデータ） (2025-04-19T01:54:45Z) - Gaussian Splatting to Real World Flight Navigation Transfer with Liquid Networks [93.38375271826202]
本研究では,シミュレート・トゥ・リアルな視覚四重項ナビゲーションタスクにおける分布シフトに対する一般化とロバスト性を改善する手法を提案する。
まず,擬似飛行力学とガウススプラッティングを統合してシミュレータを構築し,その後,液状ニューラルネットワークを用いてロバストなナビゲーションポリシーを訓練する。
このようにして、我々は3次元ガウススプラッティングラディアンス場レンダリング、専門家による実演訓練データのプログラミング、およびLiquid Networkのタスク理解能力の進歩を組み合わせたフルスタックの模倣学習プロトコルを得る。
論文 参考訳（メタデータ） (2024-06-21T13:48:37Z) - HabiCrowd: A High Performance Simulator for Crowd-Aware Visual Navigation [8.484737966013059]
私たちは、クラウド対応ビジュアルナビゲーションのための最初の標準ベンチマークであるHabiCrowdを紹介します。
提案する人間力学モデルは衝突回避における最先端性能を実現する。
我々はHabiCrowdを利用して、クラウド対応視覚ナビゲーションタスクと人間とロボットのインタラクションに関する総合的な研究を行っている。
論文 参考訳（メタデータ） (2023-06-20T08:36:08Z) - Socially Compliant Navigation Dataset (SCAND): A Large-Scale Dataset of
Demonstrations for Social Navigation [92.66286342108934]
社会ナビゲーションは、ロボットのような自律的なエージェントが、人間のような他の知的エージェントの存在下で、社会的に従順な方法でナビゲートする能力である。
私たちのデータセットには8.7時間、128の軌道、25マイルの社会的に適合した人間の遠隔運転デモが含まれています。
論文 参考訳（メタデータ） (2022-03-28T19:09:11Z) - Point Cloud Based Reinforcement Learning for Sim-to-Real and Partial
Observability in Visual Navigation [62.22058066456076]
強化学習(Reinforcement Learning, RL)は、複雑なロボットタスクを解決する強力なツールである。
RL は sim-to-real transfer problem として知られる現実世界では直接作用しない。
本稿では,点雲と環境ランダム化によって構築された観測空間を学習する手法を提案する。
論文 参考訳（メタデータ） (2020-07-27T17:46:59Z) - Visual Navigation Among Humans with Optimal Control as a Supervisor [72.5188978268463]
そこで本研究では,学習に基づく知覚とモデルに基づく最適制御を組み合わせることで,人間間をナビゲートする手法を提案する。
私たちのアプローチは、新しいデータ生成ツールであるHumANavによって実現されています。
学習したナビゲーションポリシーは、将来の人間の動きを明示的に予測することなく、人間に予測し、反応できることを実証する。
論文 参考訳（メタデータ） (2020-03-20T16:13:47Z)
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。