論文の概要: Navigating the Crowd: Non-linear MPC with Social Forces Dynamics for Human-Aware Robot Navigation

• arxiv url: http://arxiv.org/abs/2607.10374v1
• Date: Sat, 11 Jul 2026 15:57:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 15:40:48.406391
• Title: Navigating the Crowd: Non-linear MPC with Social Forces Dynamics for Human-Aware Robot Navigation
• Title（参考訳）: 群衆をナビゲートする:人間を意識したロボットナビゲーションのためのソーシャルフォースダイナミクスを備えた非線形MPC
• Abstract要約: 本稿では,社会力モデルに基づく非線形モデル予測制御フレームワークであるSFM-NMPCを紹介する。 周囲のエージェントの動的モデルにソーシャルフォースモデルを組み込むことで、コントローラーは人間とロボットの軌道を共同で予測する。 社会的コスト関数の調整されたセットは、人間の従順な行動への最適化を導く。
• 参考スコア（独自算出の注目度）: 37.228303049818734
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Safe and socially compliant navigation remains a fundamental challenge for autonomous robots operating in human-populated environments. Beyond collision avoidance, robots must anticipate human motion and respect personal space to ensure human comfort. Model Predictive Control (MPC) offers a robust alternative to classical and data-driven methods, although its effectiveness strongly depends on accurate human motion prediction and efficient computation. This paper introduces SFM-NMPC, a Social Force Model-based Non-linear Model Predictive Control framework that embeds human motion prediction directly within the optimization loop. By incorporating the Social Force Model into the dynamic model of surrounding agents, the controller jointly predicts the trajectories of humans and robots over the prediction horizon, thereby enabling socially-aware planning. A tailored set of social cost functions guides the optimization toward human-compliant behaviors. Despite the increased model complexity, the proposed formulation runs in real time at 20 Hz. Extensive simulated testing in crowded environments demonstrates that SFM-NMPC outperforms state-of-the-art baselines in social compliance metrics while maintaining efficient and smooth navigation. Visual trajectory analysis and an ablation study further highlight the contribution of the embedded SFM dynamics and social cost terms, confirming the effectiveness of the proposed approach for real-world social navigation.
• Abstract（参考訳）: 安全で社会的に適合したナビゲーションは、人間の人口の多い環境で動く自律ロボットにとって、依然として根本的な課題だ。 衝突回避以外にも、ロボットは人間の動きを予測し、人間の快適性を確保するために個人的な空間を尊重する必要がある。 モデル予測制御(MPC)は、人間の正確な動きの予測と効率的な計算に強く依存するが、古典的およびデータ駆動の手法に代わる堅牢な代替手段を提供する。 本稿では,ソーシャルフォースモデルに基づく非線形モデル予測制御フレームワークであるSFM-NMPCを紹介する。 周囲のエージェントの動的モデルにソーシャルフォースモデルを組み込むことで、コントローラは予測地平線上の人間とロボットの軌道を共同で予測し、社会的に認識可能な計画を可能にする。 社会的コスト関数の調整されたセットは、人間の従順な行動への最適化を導く。 モデル複雑性の増大にもかかわらず、提案された定式化は20Hzでリアルタイムに実行される。 密集した環境での大規模なシミュレーションテストは、SFM-NMPCが、効率的でスムーズなナビゲーションを維持しながら、社会的コンプライアンス指標の最先端のベースラインを上回っていることを示している。 ビジュアルトラジェクトリ分析とアブレーション研究は、組み込みSFM力学と社会コスト項の寄与をさらに強調し、提案手法が現実世界のソーシャルナビゲーションに有効であることを確認する。

関連論文リスト

• Optimal-Horizon Social Robot Navigation in Heterogeneous Crowds [39.07961392770344]
  環境の不確実性や複雑な人間とロボットの相互作用のため、密集した動的な群集の中で社会ロボットをナビゲートすることは困難である。 MPCは、強力なリアルタイムパフォーマンスを提供し、固定された予測地平線への依存は、環境の変化や社会的ダイナミクスへの適応性を制限している。 オンライン上でのMPCの視線を推定した状況に応じて最適化する最適水平社会ナビゲーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-28T07:09:15Z)
• 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)
• Planning with Adaptive World Models for Autonomous Driving [50.4439896514353]
  マルチエージェントインタラクションをキャプチャする実世界のモーションプランニングベンチマークであるnuPlanを提案する。 我々は、グラフ畳み込みニューラルネットワーク(GCNN)であるBehaviorNetを用いて、このようなユニークな振る舞いをモデル化することを学ぶ。 また、モデル予測制御(MPC)ベースのプランナであるAdaptiveDriverについても紹介する。
  論文  参考訳（メタデータ） (2024-06-15T18:53:45Z)
• 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)
• Human motion trajectory prediction using the Social Force Model for real-time and low computational cost applications [3.5970055082749655]
  新たな軌道予測モデルSoFGAN(Social Force Generative Adversarial Network)を提案する。 SoFGANは、GAN(Generative Adversarial Network)と社会力モデル(Social Force Model, SFM)を使用して、シーン内の衝突を減らす様々な可塑性人軌道を生成する。 提案手法は,現在の最先端モデルよりも UCY や BIWI データセットの方が精度が高く,他の手法と比較して衝突を低減できることを示す。
  論文  参考訳（メタデータ） (2023-11-17T15:32:21Z)
• Enhanced Human-Robot Collaboration using Constrained Probabilistic Human-Motion Prediction [5.501477817904299]
  本研究では,人間の関節の制約とシーンの制約を組み込んだ新しい動き予測フレームワークを提案する。 人間の腕のキネマティックモデルでテストされ、UR5ロボットアームと人間とロボットの協調的な設定で実装されている。
  論文  参考訳（メタデータ） (2023-10-05T05:12:14Z)
• Model Predictive Control for Fluid Human-to-Robot Handovers [50.72520769938633]
  人間の快適さを考慮に入れた計画運動は、人間ロボットのハンドオーバプロセスの一部ではない。 本稿では,効率的なモデル予測制御フレームワークを用いてスムーズな動きを生成することを提案する。 ユーザ数名の多様なオブジェクトに対して,人間とロボットのハンドオーバ実験を行う。
  論文  参考訳（メタデータ） (2022-03-31T23:08:20Z)
• Nonprehensile Riemannian Motion Predictive Control [57.295751294224765]
  本稿では,リアル・ツー・シムの報酬分析手法を導入し,リアルなロボット・プラットフォームに対する行動の可能性を確実に予測する。 連続的なアクション空間でオブジェクトを反応的にプッシュするクローズドループコントローラを作成します。 我々は,RMPCが乱雑な環境だけでなく,乱雑な環境においても頑健であり,ベースラインよりも優れていることを観察した。
  論文  参考訳（メタデータ） (2021-11-15T18:50:04Z)
• SABER: Data-Driven Motion Planner for Autonomously Navigating Heterogeneous Robots [112.2491765424719]
  我々は、データ駆動型アプローチを用いて、異種ロボットチームをグローバルな目標に向けてナビゲートする、エンドツーエンドのオンラインモーションプランニングフレームワークを提案する。 モデル予測制御(SMPC)を用いて,ロボット力学を満たす制御入力を計算し,障害物回避時の不確実性を考慮した。 リカレントニューラルネットワークは、SMPC有限時間地平線解における将来の状態の不確かさを素早く推定するために用いられる。 ディープQ学習エージェントがハイレベルパスプランナーとして機能し、SMPCにロボットを望ましいグローバルな目標に向けて移動させる目標位置を提供する。
  論文  参考訳（メタデータ） (2021-08-03T02:56:21Z)
• Leveraging Neural Network Gradients within Trajectory Optimization for Proactive Human-Robot Interactions [32.57882479132015]
  本稿では, トラジェクトリ最適化(TO)の解釈可能性と柔軟性を, 最先端の人間のトラジェクトリ予測モデルの予測能力と融合する枠組みを提案する。 我々は,最大10人の歩行者の群集を安全に効率的に移動させるロボットを必要とするマルチエージェントシナリオにおいて,我々のアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2020-12-02T08:43:36Z)

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。