論文の概要: Learning Agile Navigation in Crowded Environments for Quadruped Robots
- arxiv url: http://arxiv.org/abs/2607.15036v1
- Date: Thu, 16 Jul 2026 14:16:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-17 17:01:33.13228
- Title: Learning Agile Navigation in Crowded Environments for Quadruped Robots
- Title（参考訳）: 四足歩行ロボットの群集環境におけるアジャイルナビゲーション学習
- Authors: Shuyu Wu, Zeyu Liu, Tianbao Zhang, Fanxing Li, Fangyu Sun, Mingkang Xiong, Wei Xi, Wenxian Yu, Danping Zou,
- Abstract要約: VOP-Navは四足歩行ロボットのための新しいナビゲーションシステムである。
これは、Velocity Obstaclesの幾何学的安全性と、エンドツーエンドの学習のアジャイル適応性を組み合わせたものです。
VOP-Navは速度と衝突回避のバランスをとりながら、すべてのベースラインよりも高い成功率を達成する。
- 参考スコア（独自算出の注目度）: 19.29089241882416
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Navigating dynamic and crowded environments presents significant challenges for quadruped robots due to severe sensor occlusion and unpredictable human motion. Existing approaches face a trade-off: model-based methods, such as Velocity Obstacles (VO), theoretically guarantee safety but rely on accurate obstacle motion estimates that often fail in dense crowds, while end-to-end learning methods offer robustness but lack motion prediction capability of obstacles, leading to collisions or conservative behaviors. To solve this, we propose VOP-Nav, a novel navigation system that combines the geometric safety of VO with the agile adaptability of end-to-end learning. Using only local onboard observations, our system avoids explicit obstacle detection and tracking pipelines. The VOP-Net processes multi-frame LiDAR data to implicitly encode dynamic constraints and predict a safe velocity region derived from Velocity Obstacle theory. Importantly, the VO predictions serve a dual role: they are used as input to the navigation policy during inference and as a reward signal during training to encourage safe motion. Evaluations in Isaac Gym demonstrate that VOP-Nav achieves higher success rates than all baselines while balancing locomotion speed and collision avoidance. Real-world deployment on a Unitree Go2 quadruped robot further validates the system's robustness and efficiency in complex indoor and outdoor dynamic environments.
- Abstract（参考訳）: ダイナミックで混み合った環境をナビゲートすることは、重度のセンサー閉塞と予測不可能な人間の動きによって、四足歩行ロボットにとって大きな課題となる。
既存のアプローチでは、Velocity Obstacles (VO)のようなモデルベースの手法は、理論的には安全性を保証するが、密集した群衆でしばしば失敗する正確な障害物運動推定に依存している。
この問題を解決するために,VOの幾何学的安全性とエンドツーエンド学習のアジャイル適応性を組み合わせた新しいナビゲーションシステム VOP-Nav を提案する。
本システムでは,局所的なオンボード観測のみを用いることで,明示的な障害物検出と追跡パイプラインを回避する。
VOP-NetはマルチフレームLiDARデータを処理し、動的制約を暗黙的に符号化し、ベロシティオブスターク理論から導かれる安全な速度領域を予測する。
VO予測は、推論中のナビゲーションポリシーへの入力や、安全な動きを促進するためのトレーニング中の報酬信号として使用される。
Isaac Gym の評価によれば、VOP-Nav は全ベースラインよりも高い成功率を達成し、ロコモーション速度と衝突回避のバランスをとる。
Unitree Go2の4足歩行ロボットへの実世界展開は、複雑な屋内および屋外の動的環境におけるシステムの堅牢性と効率性をさらに検証する。
関連論文リスト
- Lightweight Safe Reinforcement Learning for End-to-End UAV Navigation [16.850454229093135]
UAVナビゲーションのための安全制約付き認識制御統合フレームワークを提案する。
軽量ネットワークは、非対称かつ深層的に分離可能な畳み込みを用いた衝突リスク認識特徴へのスパース観測を符号化する。
様々な障害物密度と飛行速度の実験では、より高い成功率、安全性の向上、効率の向上が示されている。
論文 参考訳（メタデータ） (2026-07-02T07:12:24Z) - SEA-Nav: Efficient Policy Learning for Safe and Agile Quadruped Navigation in Cluttered Environments [16.354808611554805]
SEA-Navは四足歩行のための強化学習フレームワークである。
CBFベースのシールドは、安全な速度コマンドを出力するためにナビゲーションポリシーを制約する。
適応的な衝突再現機構と有害な探索報酬を導入し、学習の確率を高める。
論文 参考訳（メタデータ） (2026-03-10T10:13:49Z) - Proactive Local-Minima-Free Robot Navigation: Blending Motion Prediction with Safe Control [10.366282784389108]
Control Barrier Functions (CBF)のようなリアクティブな安全なコントローラは、障害の現在の状態のみに基づいて障害回避戦略を設計し、将来の衝突を危険にさらす。
我々はガウス過程を用いて、エネルギーベース学習で訓練されたニューラルネットワークによって生成された障害物のマルチモーダルな動き予測から、障壁関数をオンラインで学習する。
学習されたバリア関数は、CBFの局所最小化バージョンである変調CBFを使用してプログラムに入力され、安全かつ効率的なナビゲーションを実現する。
論文 参考訳（メタデータ） (2026-01-15T09:46:03Z) - IndustryNav: Exploring Spatial Reasoning of Embodied Agents in Dynamic Industrial Navigation [56.43007596544299]
IndustryNavは、アクティブな空間推論のための最初の動的産業用ナビゲーションベンチマークである。
9つの最先端のVisual Large Language Modelsの研究によると、クローズドソースモデルは一貫した優位性を維持している。
論文 参考訳（メタデータ） (2025-11-21T16:48:49Z) - Model Predictive Control for Crowd Navigation via Learning-Based Trajectory Prediction [2.8544513613730214]
本研究は,物理的コンチネンタルコリールロボット上でのモデル予測制御(MPC)フレームワークにおける,深層学習に基づくソーシャル・インプシシット(SI)歩行者軌道予測器の統合性を評価する。
その結果、SIは軌道予測を改善し、低密度設定でエラーを最大76%削減し、混雑したシーンでの安全性と動きのスムーズさを高めている。
これらの知見はシステムレベルの評価の重要性を強調し、より安全で適応的なナビゲーションを実現するためのSI-MPCフレームワークの約束を強調している。
論文 参考訳（メタデータ） (2025-08-09T19:11:28Z) - NOVA: Navigation via Object-Centric Visual Autonomy for High-Speed Target Tracking in Unstructured GPS-Denied Environments [56.35569661650558]
我々はNOVAというオブジェクト中心のフレームワークを導入し、ロバストな目標追跡と衝突認識ナビゲーションを可能にした。
グローバルマップを構築するのではなく、NOVAはターゲットの参照フレーム内での知覚、推定、制御を定式化する。
我々は,都市迷路や森林の小道,間欠的なGPS損失を伴う建物内の繰り返し遷移など,現実の挑戦的なシナリオにまたがってNOVAを検証する。
論文 参考訳（メタデータ） (2025-06-23T14:28:30Z) - Designing Control Barrier Function via Probabilistic Enumeration for Safe Reinforcement Learning Navigation [55.02966123945644]
本稿では,ニューラルネットワーク検証技術を利用して制御障壁関数(CBF)とポリシー修正機構の設計を行う階層型制御フレームワークを提案する。
提案手法は,安全なCBFベースの制御層を構築するために使用される,安全でない操作領域を特定するための確率的列挙に依存する。
これらの実験は、効率的なナビゲーション動作を維持しながら、安全でない動作を補正する提案手法の能力を実証するものである。
論文 参考訳（メタデータ） (2025-04-30T13:47:25Z) - Open-World Drone Active Tracking with Goal-Centered Rewards [62.21394499788672]
Drone Visual Active Trackingは、視覚的な観察に基づいてモーションシステムを制御することで、対象物を自律的に追跡することを目的としている。
DATは,世界初となるエア・ツー・グラウンド・トラッキング・ベンチマークである。
また,複雑なシナリオにおけるドローン追跡目標の性能向上を目的としたGC-VATを提案する。
論文 参考訳（メタデータ） (2024-12-01T09:37:46Z) - Robot Navigation with Entity-Based Collision Avoidance using Deep Reinforcement Learning [0.0]
本稿では,ロボットナビゲーションと各種エージェントや障害物とのインタラクションを改善するための,新しい深層強化学習手法を提案する。
このアプローチでは、エンティティタイプに関する情報を使用し、衝突回避を改善し、より安全なナビゲーションを確保する。
ロボットに近づいたり、異なる物体と衝突したりすることを罰する新たな報酬関数を導入する。
論文 参考訳（メタデータ） (2024-08-26T11:16:03Z) - Convergence of Communications, Control, and Machine Learning for Secure
and Autonomous Vehicle Navigation [78.60496411542549]
接続された自動運転車(CAV)は、交通事故におけるヒューマンエラーを低減し、道路効率を向上し、様々なタスクを実行する。これらのメリットを享受するためには、CAVが目標とする目的地へ自律的にナビゲートする必要がある。
本稿では,通信理論,制御理論,機械学習の収束を利用して,効果的なCAVナビゲーションを実現する手法を提案する。
論文 参考訳（メタデータ） (2023-07-05T21:38:36Z)
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。