論文の概要: AutoPath: Learning Transferable Goal-Conditioned Stochastic Path Prior for Safe Navigation Without Human Demonstrations
- arxiv url: http://arxiv.org/abs/2607.11739v1
- Date: Mon, 13 Jul 2026 16:00:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-14 17:47:21.544606
- Title: AutoPath: Learning Transferable Goal-Conditioned Stochastic Path Prior for Safe Navigation Without Human Demonstrations
- Title（参考訳）: AutoPath: 人間の指示を使わずに安全なナビゲーションに先立って,移動可能なゴール定義確率経路を学習する
- Abstract要約: 動的環境におけるリアルタイムナビゲーションは、限られた知覚下での衝突のない、動的に実現可能な動きを必要とする。
我々は,移動可能な目標整合経路の学習としてナビゲーションを定式化し,局所的な観測に基づいて,目標整合な局所経路上の再利用可能な分布をモデル化する。
我々は、幾何対応の極性行動多様体を用いて局所経路をパラメータ化し、安定かつ安全対応の計画のためのマルチゴール分散ロールアウトによるリスク感応性ユーティリティシェーピングを含む構造化された事前学習フレームワークを開発した。
- 参考スコア（独自算出の注目度）: 103.61864552260316
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Real-time navigation in cluttered and dynamic environments requires collision-free and dynamically feasible motion under limited perception. However, feasible navigation behaviors are inherently multimodal because multiple paths may exist around obstacles. In this paper, we formulate navigation as learning a transferable goal-conditioned stochastic path prior that models a reusable distribution over goal-aligned geometry-consistent local paths conditioned on local observations. This formulation enables structured sampling of navigation candidates, allowing multiple feasible paths to be explored through sampling without relying on robot-specific motion constraints. To this end, we introduce a goal-aligned canonical state representation that removes in-plane rotational ambiguity and normalizes local geometry with respect to the goal, enabling rotation-invariant path distribution learning. We further develop a structured prior learning framework that parameterizes local paths using a geometry-aware polar action manifold and incorporates risk-sensitive utility shaping with multi-goal distributional rollouts for stable and safety-aware planning. Extensive experiments in dense static environments and dynamic pedestrian scenarios demonstrate that the proposed method achieves consistently high success rates with competitive efficiency while enabling cross-platform transfer of a single path prior learned on differential-drive robots to quadruped platforms without retraining.
- Abstract（参考訳）: 乱雑でダイナミックな環境でのリアルタイムナビゲーションには、限られた知覚下での衝突のない、動的に実現可能な動きが必要である。
しかし、障害周辺に複数の経路が存在する可能性があるため、実現可能なナビゲーション動作は本質的にマルチモーダルである。
本稿では,移動可能な目標条件付き確率経路の学習としてナビゲーションを定式化し,局所的な観測に基づいて,目標に整合した局所経路上の再利用可能な分布をモデル化する。
この定式化により、ナビゲーション候補の構造的サンプリングが可能となり、ロボット固有の動作制約に頼ることなく、サンプリングを通じて複数の実現可能な経路を探索することができる。
この目的のために,平面内回転のあいまいさを除去し,目標に対する局所幾何学を正規化し,回転不変経路分布学習を可能にするゴール整列正準状態表現を導入する。
さらに、幾何認識された極性行動多様体を用いて局所経路をパラメータ化し、安定かつ安全を考慮した計画のための複数ゴール分布ロールアウトによるリスク感応性ユーティリティシェーピングを含む構造化された事前学習フレームワークを開発する。
密集した静的環境と動的歩行者シナリオにおける広範囲な実験により,提案手法は競争効率の高い連続的な成功率を達成するとともに,ディファレンシャルドライブロボットで学習した単一経路を,再学習せずに四足歩行プラットフォームにクロスプラットフォームで移動させることが実証された。
関連論文リスト
- EgoNav: Bridging Learned Waypoints and Geometry-Aware Local Control for Robust Indoor Navigation [7.207055231363046]
軽量なトポロジマップを用いた画像ゴールナビゲーションは,屋内ロボットの配置の実践的パラダイムである。
EgoNavは階層的なシステムで、セマンティックにセグメンテーションされたトラバース可能な領域から候補を生成する。
EgoNavは、成功率とパス効率の両方において、同時代のベースラインを一貫して上回っている。
論文 参考訳（メタデータ） (2026-08-26T11:13:07Z) - Beyond Waypoints: A Trajectory-Centric Waypointing Paradigm for Vision-Language Navigation [79.12557132788139]
VLN-CE(Vision-Language Navigation in Continuous Environments)では、エージェントが現実世界のような環境でナビゲートしながら自然言語の指示に従う必要がある。
ほとんどのVLN-CEアプローチでは、ウェイポイント予測器がウェイポイントを提案し、ナビゲータが最良のウェイポイントを選択する。
提案手法は,各候補の経路点を実行可能な軌道に配置する,トラジェクトリ・ウェイポイントという新しいパラダイムを導入する。
論文 参考訳（メタデータ） (2026-06-05T13:11:39Z) - Beyond Waypoints: Dual-Heatmap Grounding for Cross-Embodiment Semantic Navigation [13.081539889943906]
本研究では,FOV内セマンティックナビゲーションの実践的な設定に焦点を当てる。
本稿では,Dual-Heatmap表現に有利な単一点回帰を放棄する統合ビジョン・ランゲージフレームワークを提案する。
本フレームワークは,8Bベースライン間の最先端性能を実現する。
論文 参考訳（メタデータ） (2026-05-19T06:12:59Z) - Risk-Aware Obstacle Avoidance Algorithm for Real-Time Applications [0.6299766708197881]
本研究は,車両経路に沿った障害物の確率論的モデリングと,自律表面容器のスムーズな軌道最適化を統合したハイブリッド型リスク対応ナビゲーションアーキテクチャを提案する。
提案手法は、運転安全性と自律性の向上を示し、不確実かつダイナミックな環境下でのリスク対応型自動運転車のミッションのための有望なソリューションとして確立する。
論文 参考訳（メタデータ） (2026-02-09T21:15:33Z) - MetricNet: Recovering Metric Scale in Generative Navigation Policies [51.90872764552077]
MetricNetは、ウェイポイント間の距離を予測するジェネレーティブナビゲーションのための効果的なアドオンである。
MetricNetスケールのウェイポイントの実行はナビゲーションと探索の両方のパフォーマンスを大幅に改善することを示す。
また、MetricNetをナビゲーションポリシーに統合し、目標に向かって移動しながら障害物からロボットを誘導するMetricNavを提案する。
論文 参考訳（メタデータ） (2025-09-17T13:37:13Z) - DAgger Diffusion Navigation: DAgger Boosted Diffusion Policy for Vision-Language Navigation [73.80968452950854]
Vision-Language Navigation in Continuous Environments (VLN-CE) は、エージェントが自由形式の3D空間を通して自然言語の指示に従う必要がある。
既存のVLN-CEアプローチは通常、2段階のウェイポイント計画フレームワークを使用する。
本稿では,エンドツーエンド最適化VLN-CEポリシとしてDAgger Diffusion Navigation (DifNav)を提案する。
論文 参考訳（メタデータ） (2025-08-13T02:51:43Z) - Navigating Motion Agents in Dynamic and Cluttered Environments through LLM Reasoning [69.5875073447454]
本稿では,大規模言語モデル(LLM)によって強化された動作エージェントを,動的・乱雑な環境における自律的なナビゲーションに向けて前進させる。
トレーニング不要なフレームワークは、マルチエージェント調整、クローズドループ計画、動的障害物回避を、リトレーニングや微調整なしでサポートしています。
論文 参考訳（メタデータ） (2025-03-10T13:39:09Z) - NoMaD: Goal Masked Diffusion Policies for Navigation and Exploration [57.15811390835294]
本稿では,目標指向ナビゲーションと目標非依存探索の両方を扱うために,単一の統合拡散政策をトレーニングする方法について述べる。
この統一された政策は、新しい環境における目標を視覚的に示す際に、全体的な性能が向上することを示す。
実世界の移動ロボットプラットフォーム上で実施した実験は,5つの代替手法と比較して,見えない環境における効果的なナビゲーションを示す。
論文 参考訳（メタデータ） (2023-10-11T21:07:14Z) - Learning Forward Dynamics Model and Informed Trajectory Sampler for Safe
Quadruped Navigation [1.2783783498844021]
典型的なSOTAシステムは、マッパー、グローバルプランナー、ローカルプランナー、コマンドトラッキングコントローラの4つの主要モジュールで構成されている。
我々は,グローバルプランナから粗い計画経路を追跡するためのベロシティプランを生成するために,ロバストで安全なローカルプランナを構築している。
この枠組みを用いることで、四足歩行ロボットは衝突なしに様々な複雑な環境を自律的に移動でき、ベースライン法と比較してスムーズなコマンドプランを生成することができる。
論文 参考訳（メタデータ） (2022-04-19T04:01:44Z) - Path Planning Followed by Kinodynamic Smoothing for Multirotor Aerial
Vehicles (MAVs) [61.94975011711275]
そこで本稿では,RRT*textquotedblrightのテキストを幾何学的にベースとした動き計画手法を提案する。
提案手法では,適応探索空間とステアリング機能を導入したオリジナルのRT*を改良した。
提案手法を様々なシミュレーション環境で検証した。
論文 参考訳（メタデータ） (2020-08-29T09:55:49Z)
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。