論文の概要: Trajectory Learning with Graph Representations for Social Robot Navigation

• arxiv url: http://arxiv.org/abs/2607.00028v1
• Date: Sun, 21 Jun 2026 23:57:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-05 17:01:29.632249
• Title: Trajectory Learning with Graph Representations for Social Robot Navigation
• Title（参考訳）: ソーシャルロボットナビゲーションのためのグラフ表現を用いた軌道学習
• Authors: Berke Kartal, Burcu Kilic, Yigit Yildirim, Emre Ugur,
• Abstract要約: 社会に適応したナビゲーションに社会的ダイナミクスを活用する模倣学習フレームワークを提案する。 本稿では,時間的ダイナミクスを捕捉し,エラーの蓄積を緩和するナビゲーションモジュールを提案する。 我々のフレームワークは、シミュレーションに基づくデータ駆動ベースラインと、さまざまなソーシャルメトリクスにわたる実世界のデータセットより優れています。
• 参考スコア（独自算出の注目度）: 1.0732935873226022
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Autonomous mobile robots are expected to exhibit socially compliant navigation for minimizing pedestrian disturbance. While capturing social interactions and incorporating pedestrian motion estimations into decision-making are beneficial for compliance, prior methods fail to address both spatial and temporal characteristics present in real-world data. Reinforcement Learning offers high capability, but it requires hand-crafted reward functions that reduce social behavior to static criteria, limiting its ability to reproduce patterns that exist in real pedestrian behavior. Imitation Learning offers direct training from real-world data but lacks modeling of social interactions and suffers from error accumulation. To this end, we propose an imitation learning framework that leverages spatiotemporal dynamics for socially compliant navigation. To represent social context based on interactions, we introduce a graph-based auxiliary network that encodes crowd states by attending to pedestrians. In addition, we present a navigation module that captures temporal dynamics and mitigates error accumulations by incorporating encoded state predictions and employing a trajectory-level learning objective. Our framework outperforms established data-driven baselines on simulation and a real-world dataset across diverse social metrics.
• Abstract（参考訳）: 自律移動ロボットは、歩行者の混乱を最小限に抑えるために、社会的に適合したナビゲーションを提示することが期待されている。 社会的相互作用を捉え, 歩行者の動き推定を意思決定に組み込むことは, コンプライアンスに有用であるが, 従来の手法では, 実世界のデータに存在する空間的特徴と時間的特徴の両方に対処できない。 強化学習は高い能力を提供するが、実際の歩行者行動に存在するパターンを再現する能力を制限するため、静的な基準に社会的行動を減らす手作りの報酬関数を必要とする。 Imitation Learningは、現実世界のデータから直接のトレーニングを提供するが、社会的相互作用のモデリングが欠如し、エラーの蓄積に悩まされている。 そこで本研究では,時空間力学を利用した模倣学習フレームワークを提案する。 相互作用に基づく社会的文脈を表現するために,歩行者の参加によって群衆状態を符号化するグラフベースの補助ネットワークを導入する。 さらに,符号化された状態予測を導入し,軌道レベルの学習目標を活用することにより,時間的ダイナミクスを捕捉し,エラーの蓄積を緩和するナビゲーションモジュールを提案する。 我々のフレームワークは、シミュレーションに基づくデータ駆動ベースラインと、さまざまなソーシャルメトリクスにわたる実世界のデータセットより優れています。

関連論文リスト

• Social-Mamba: Socially-Aware Trajectory Forecasting with State-Space Models [81.44955493339835]
  ソーシャル・マンバ(Social-Mamba)は、社会的相互作用を構造化されたシーケンシャルなプロセスとして再構築する予測アーキテクチャである。 Social-Mambaは、エゴセントリックなグリッド上でエージェントを組織し、社会的三重項分解を導入する。 5つの軌道予測ベンチマークの実験は、Social-Mambaが最先端の精度を達成していることを示している。
  論文  参考訳（メタデータ） (2026-05-14T21:16:01Z)
• From Obstacles to Etiquette: Robot Social Navigation with VLM-Informed Path Selection [57.74400052368147]
  本稿では,幾何学的計画と文脈的社会的推論を統合した社会ロボットナビゲーションフレームワークを提案する。 このシステムはまず障害物や人間の力学を抽出し、幾何学的に実現可能な候補経路を生成し、次に細調整された視覚言語モデル(VLM)を利用してこれらの経路を評価する。 4つのソーシャルナビゲーション環境における実験により, 生活空間違反の最小期間, 歩行者面の最小時間, 社会ゾーンの侵入がない場合に, ベストな総合的なパフォーマンスを達成できることが実証された。
  論文  参考訳（メタデータ） (2026-02-09T18:46:12Z)
• Socially aware navigation for mobile robots: a survey on deep reinforcement learning approaches [1.2891210250935148]
  社会に意識されたナビゲーションはロボット工学において急速に発展する研究領域であり、ロボットは暗黙の人間の社会規範に固執しながら、人間の環境内を移動することができる。 深層強化学習(Dep Reinforcement Learning, DRL)は、ロボットがそれらの目的を効果的に達成しつつ、これらの社会的慣行を組み込むことのできるナビゲーションポリシーの開発を加速した。 このサーベイは、DRLに基づく社会に意識したナビゲーションのアプローチの概要を提供し、プロキシ、人間の快適性、自然性、軌道、意図予測といった重要な側面を強調している。
  論文  参考訳（メタデータ） (2025-11-18T05:33:28Z)
• Self-Supervised Learning-Based Multimodal Prediction on Prosocial Behavior Intentions [6.782784535456252]
  社会的行動のための大きなラベル付きデータセットは存在しない。 小規模なデータセットは、ディープラーニングモデルを効果的にトレーニングすることを困難にします。 マルチモーダルデータを利用した自己教師付き学習手法を提案する。
  論文  参考訳（メタデータ） (2025-07-11T00:49:46Z)
• 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)
• A Study on Learning Social Robot Navigation with Multimodal Perception [6.052803245103173]
  本稿では,大規模実世界のデータセットを用いたマルチモーダル認識を用いた社会ロボットナビゲーションの学習について述べる。 我々は,一助学習と多モーダル学習のアプローチを,異なる社会シナリオにおける古典的なナビゲーション手法のセットと比較する。 その結果、マルチモーダル学習は、データセットと人的学習の両方において、一助学習よりも明らかな優位性を持つことが示された。
  論文  参考訳（メタデータ） (2023-09-22T01:47:47Z)
• 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)
• Human Trajectory Forecasting in Crowds: A Deep Learning Perspective [89.4600982169]
  本稿では,既存の深層学習に基づくソーシャルインタラクションのモデル化手法について詳細に分析する。 本稿では、これらの社会的相互作用を効果的に捉えるための知識に基づく2つのデータ駆動手法を提案する。 我々は,人間の軌道予測分野において,重要かつ欠落したコンポーネントであるTrajNet++を大規模に開発する。
  論文  参考訳（メタデータ） (2020-07-07T17:19:56Z)

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。