論文の概要: CORE Planner: Contextual-memory Oriented Reinforcement-learning in Unknown Environments for Robot Navigation
- arxiv url: http://arxiv.org/abs/2606.29222v1
- Date: Sun, 28 Jun 2026 06:17:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-30 18:07:15.83734
- Title: CORE Planner: Contextual-memory Oriented Reinforcement-learning in Unknown Environments for Robot Navigation
- Title（参考訳）: CORE Planner:ロボットナビゲーションのための未知環境におけるコンテキストメモリ指向強化学習
- Abstract要約: 未知環境におけるロボットナビゲーションのためのコンテキストメモリ指向強化学習(CORE)プランナを提案する。
本手法では,高密度グリッドマップの計算オーバーヘッドを低減し,疎視グラフを用いて環境表現を構造化する。
現実のシナリオでは、COREは人間の介入なしにうまくナビゲートし、ゼロショットのsim-to-real転送を示す。
- 参考スコア（独自算出の注目度）: 6.717242436853575
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Autonomous navigation in unknown environments requires a robot to efficiently reach a predefined goal while exploring without prior maps. Although progress has been made in this area, most existing works still rely on traditional planning methods with hand-crafted rules, while learning-based methods often suffer from limited environmental memory and challenges in simulation-to-real (sim-to-real) transfer. To overcome these limitations, we propose a Contextual-memory Oriented Reinforcement-learning (CORE) planner for robot navigation in unknown environments. The proposed CORE planner effectively combines the core advantages of traditional and learning-based methods. Specifically, our method uses a sparse visibility graph for structured environment representation, reducing the computational overhead of dense grid maps, and employs a Transformer network to achieve a holistic environmental understanding, thereby significantly improving navigation efficiency. Moreover, we introduce a visibility graph-based graph sparsification method and a contextual memory mechanism, which alleviates local optima and enhances computational performance in large-scale scenes. Finally, our approach achieves zero-shot sim-to-real transfer after training solely on image-based environments, requiring no fine-tuning. Experimental results show that CORE Planner consistently outperforms state-of-the-art methods, including the traditional FAR Planner and all learning-based baselines, across representative environments, reducing travel distance by 13\% over traditional FAR Planner and by up to 48\% relative to learning-based baselines, with larger gains observed in more complex environments. In real-world scenarios, CORE successfully navigates without human intervention, showcasing zero-shot sim-to-real transfer. Code is available at https://github.com/BBD00/core_planner.
- Abstract（参考訳）: 未知の環境での自律的なナビゲーションでは、ロボットが事前に定義されたゴールに効率的に到達しつつ、事前マップなしで探索する必要がある。
この分野の進歩はあったが、既存のほとんどの研究は手作りのルールを使った従来の計画手法に依存しているが、学習ベースの手法は環境記憶の制限やシミュレーションから現実への(シミュレートから現実への)移行の課題に悩まされることが多い。
これらの制約を克服するため、未知環境におけるロボットナビゲーションのためのコンテキストメモリ指向強化学習(CORE)プランナを提案する。
提案したCOREプランナは,従来の手法と学習手法の利点を効果的に組み合わせている。
具体的には,高密度グリッドマップの計算オーバーヘッドを低減し,全体的環境理解を実現するためにTransformerネットワークを用い,ナビゲーション効率を著しく向上する。
さらに,視覚グラフに基づくグラフスペーシフィケーション手法とコンテキスト記憶機構を導入し,局所最適化を緩和し,大規模シーンでの計算性能を向上させる。
最後に,画像ベース環境のみにトレーニングを施したゼロショットシミュレートを実現し,微調整を不要とした。
実験結果から,COREプランナーは従来のFARプランナーやすべての学習ベースラインなど,従来のFARプランナーよりも13倍,学習ベースラインに比べて最大48倍,より複雑な環境において大きな利得を達成し,最先端の手法を一貫して上回ることが示された。
現実のシナリオでは、COREは人間の介入なしにうまくナビゲートし、ゼロショットのsim-to-real転送を示す。
コードはhttps://github.com/BBD00/core_planner.comから入手できる。
関連論文リスト
- Multi-Task Visual Perception Network with LLM Conditioning for Autonomous Navigation [4.075320514790725]
サービスロボットの長期ナビゲーションは、計測ドリフトの蓄積やセンサーエラーといった課題に直面している。
本稿では,グローバルな一貫した地図への依存を解消する,ユーザフレンドリでインタラクティブなフレームワークを提案する。
論文 参考訳（メタデータ） (2026-09-13T05:38:52Z) - VLN-Zero: Rapid Exploration and Cache-Enabled Neurosymbolic Vision-Language Planning for Zero-Shot Transfer in Robot Navigation [52.00474922315126]
未確認環境のための視覚言語ナビゲーションフレームワークであるVLN-Zeroを提案する。
我々は視覚言語モデルを用いて、記号的なシーングラフを効率的に構築し、ゼロショットのニューロシンボリックナビゲーションを可能にする。
VLN-Zeroは、最先端のゼロショットモデルと比べて2倍の成功率を獲得し、最も微調整されたベースラインを上回り、半分の時間でゴール地点に達する。
論文 参考訳（メタデータ） (2025-09-23T03:23:03Z) - RAPID: Robust and Agile Planner Using Inverse Reinforcement Learning for Vision-Based Drone Navigation [9.25068777307471]
本稿では,乱雑な環境下でのアジャイルドローン飛行のための学習型ビジュアルプランナを紹介する。
提案したプランナーは、ミリ秒で衝突のないウェイポイントを生成し、ドローンは、異なる知覚、マッピング、計画モジュールを構築することなく、複雑な環境でアジャイルな操作を実行できる。
論文 参考訳（メタデータ） (2025-02-04T06:42:08Z) - IN-Sight: Interactive Navigation through Sight [20.184155117341497]
IN-Sightは自己監督型パスプランニングの新しいアプローチである。
可逆性のスコアを計算し、セマンティックマップに組み込む。
障害物を正確に回避するために、IN-Sightはローカルプランナーを使用している。
論文 参考訳（メタデータ） (2024-08-01T07:27:54Z) - Learning Where to Look: Self-supervised Viewpoint Selection for Active Localization using Geometrical Information [68.10033984296247]
本稿では, 位置決めの精度を高めるために, 視点選択の重要性を強調し, アクティブな位置決め領域について検討する。
私たちのコントリビューションは、リアルタイム操作用に設計されたシンプルなアーキテクチャ、自己教師付きデータトレーニング方法、および実世界のロボティクスアプリケーションに適した計画フレームワークにマップを一貫して統合する能力による、データ駆動型アプローチの使用に関するものです。
論文 参考訳（メタデータ） (2024-07-22T12:32:09Z) - TAS: A Transit-Aware Strategy for Embodied Navigation with Non-Stationary Targets [55.09248760290918]
非定常目標を持つ動的シナリオにおけるナビゲーションのための新しいアルゴリズムを提案する。
我々の新しいTAS(Transit-Aware Strategy)は、具体化されたナビゲーションポリシーをオブジェクトパス情報で強化する。
TASは、ターゲットルートとルートを同期させるエージェントを報酬することで、非定常環境での性能を改善する。
論文 参考訳（メタデータ） (2024-03-14T22:33:22Z) - Visual-Language Navigation Pretraining via Prompt-based Environmental
Self-exploration [83.96729205383501]
本稿では,言語埋め込みの高速適応を実現するために,プロンプトベースの学習を導入する。
我々のモデルは、VLNやREVERIEを含む多様な視覚言語ナビゲーションタスクに適応することができる。
論文 参考訳（メタデータ） (2022-03-08T11:01:24Z) - Lifelong Topological Visual Navigation [16.41858724205884]
本稿では,生涯ナビゲーション性能を時間とともに向上させるグラフ更新戦略を用いた学習型ビジュアルナビゲーション手法を提案する。
画像に基づくトポロジグラフを構築するためのサンプリングベースの計画アルゴリズムから着想を得た結果,スペーサーグラフはベースライン法に比べてナビゲーション性能が高い。
固定的なトレーニング環境から学習するコントローラとは異なり、ロボットが配置される実環境から比較的小さなデータセットを使ってモデルを微調整できることが示される。
論文 参考訳（メタデータ） (2021-10-16T06:16:14Z) - 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) - 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) - Learning to Move with Affordance Maps [57.198806691838364]
物理的な空間を自律的に探索し、ナビゲートする能力は、事実上あらゆる移動型自律エージェントの基本的な要件である。
従来のSLAMベースの探索とナビゲーションのアプローチは、主にシーン幾何学の活用に重点を置いている。
学習可能な余剰マップは探索と航法の両方において従来のアプローチの強化に利用でき、性能が大幅に向上することを示します。
論文 参考訳（メタデータ） (2020-01-08T04:05:11Z)
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。