論文の概要: Learning Social Robot Navigation By Sensing Human Legs
- arxiv url: http://arxiv.org/abs/2607.27922v1
- Date: Thu, 30 Jul 2026 09:35:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-31 21:37:00.488527
- Title: Learning Social Robot Navigation By Sensing Human Legs
- Title(参考訳): 人間の足の感覚でロボットのナビゲーションを学習する
- Abstract要約: CALFは、LiDARスキャンから直接脚の動きを解釈し、安全なナビゲーションコマンドを生成するエンドツーエンドのニューラルネットワークである。
ポリシーは、カスタム軽量2DシミュレータであるLegNav内の深層強化学習アルゴリズムを使って訓練されている。
LegNavシミュレータでは,デプロイ可能なCALFポリシを1時間以内で,単一のコンシューマGPU上でトレーニングすることが可能だ。
- 参考スコア(独自算出の注目度): 0.29360071145551064
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Robots navigating among pedestrians typically sense their surroundings with a 2D LiDAR mounted close to the ground. At that height, the sensor mostly sees moving legs rather than whole people, yet most learning-based navigation methods still treat pedestrians as simple shapes like circles. This paper addresses that gap with CALF (Convolutional Attention for Leg Features), an end-to-end neural architecture that combines convolutional layers, attention, and MLP to interpret leg motion directly from LiDAR scans and produce safe navigation commands. The CALF policy is trained using deep reinforcement learning algorithms within LegNav, a custom lightweight 2D simulator that combines 2D LiDAR ray tracing with a novel pedestrian gait model. The resulting policy is compared against classical and learning-based baselines in terms of navigation performance and social compliance. The approach is validated through real-world experiments via zero-shot deployment on a TurtleBot 4, yielding smooth and socially compliant trajectories. Written in JAX, the LegNav simulator enables the training of a deployment-ready CALF policy in under an hour on a single consumer GPU.
- Abstract(参考訳): 歩行者をナビゲートするロボットは通常、地面の近くに2D LiDARを設置して周囲を感知する。
その高さでは、センサーは人体ではなく足を動かしているのがほとんどだが、ほとんどの学習ベースのナビゲーション手法は、歩行者を円のような単純な形として扱う。
本稿では、畳み込み層、注意、MDPを組み合わせたエンドツーエンドのニューラルネットワークであるCALF(Convolutional Attention for Leg Features)とのギャップを解決し、LiDARスキャンから直接脚の動きを解釈し、安全なナビゲーションコマンドを生成する。
CALFポリシーは、2D LiDAR線トレーシングと新しい歩行者歩行モデルを組み合わせたカスタム軽量2DシミュレータであるLegNav内での深層強化学習アルゴリズムを使用して訓練されている。
結果として得られる方針は、ナビゲーション性能と社会的コンプライアンスの観点から、古典的および学習ベースのベースラインと比較される。
このアプローチは、TurtleBot 4上のゼロショットデプロイを通じて現実世界の実験を通じて検証される。
JAXで記述されたLegNavシミュレータは,デプロイ可能なCALFポリシを1時間以内で,単一のコンシューマGPU上でトレーニング可能にする。
関連論文リスト
- LightNav-0: Eliciting VLM Spatial Intelligence for Generalist Embodied Navigation [52.91080323083409]
エージェントは異質な目標や視覚的な観察をタスク、環境、ロボットの体現物に翻訳する必要がある。
ここでは,タスク固有の予測ヘッドを使わずに,予め訓練されたVLMの空間的知性を取り入れた,コンパクトな一般化型ナビゲーションモデルLightNav-0を提案する。
論文 参考訳(メタデータ) (2026-08-31T15:08:53Z) - Towards End to End Motion Planning and Execution for Autonomous Underwater Vehicles Using Reinforcement Learning [2.1942030377331245]
本稿では,センサデータをスラスタコマンドに直接マッピングする,エンドツーエンドのDeep Reinforcement Learning(DRL)アプローチの実現可能性について検討する。
2Hzで動作するHigh-Level(HL)ポリシーは、生の8.4倍の84$ピクセルの単眼カメラフレーム、100倍の100$ピクセルの前方画像ソナー、空間的なサブゴールを生成するプロプリオセプティブデータを処理する。
10Hzで動作する低レベル(LL)ポリシーは、これらのサブゴールをスラスタコマンドに変換する。
論文 参考訳(メタデータ) (2026-06-07T08:34:29Z) - ZTRS: Zero-Imitation End-to-end Autonomous Driving with Trajectory Scoring [52.195295396336526]
ZTRS(Zero-Imitation End-to-End Autonomous Driving with Trajectory Scoring)は、情報を失うことなくセンサー入力と堅牢な計画のためのRLトレーニングという、両方の世界の強みを組み合わせたフレームワークである。
ZTRSは、Navtest、Navhard、HUGSIMの3つのベンチマークで強力なパフォーマンスを示している。
論文 参考訳(メタデータ) (2025-10-28T06:26:36Z) - EmoBipedNav: Emotion-aware Social Navigation for Bipedal Robots with Deep Reinforcement Learning [11.622119393400341]
本研究では、社会的に対話的な環境を歩行する二足歩行ロボットのための感情認識ナビゲーションフレームワーク、BipedNavを提案する。
提案フレームワークは、トレーニング中の全順序ダイナミクスとロコモーション制約を組み込んだもので、ロコモーションコントローラのエラーや制限のトラッキングを効果的に行う。
論文 参考訳(メタデータ) (2025-03-16T15:11:57Z) - Helpful DoggyBot: Open-World Object Fetching using Legged Robots and Vision-Language Models [63.89598561397856]
室内環境における四足歩行操作のためのシステムを提案する。
オブジェクト操作にはフロントマウントのグリップを使用しており、アジャイルスキルにエゴセントリックな深さを使ってシミュレーションでトレーニングされた低レベルのコントローラである。
実世界のデータ収集やトレーニングを行なわずに、2つの目に見えない環境でシステムを評価する。
論文 参考訳(メタデータ) (2024-09-30T20:58:38Z) - Hyp2Nav: Hyperbolic Planning and Curiosity for Crowd Navigation [58.574464340559466]
我々は,群集ナビゲーションを実現するための双曲学習を提唱し,Hyp2Navを紹介した。
Hyp2Navは双曲幾何学の本質的な性質を活用し、ナビゲーションタスクにおける意思決定プロセスの階層的性質をよりよく符号化する。
本稿では, 効果的なソーシャルナビゲーション, 最高の成功率, 複数シミュレーション設定におけるリターンをもたらす, 双曲型ポリシーモデルと双曲型好奇性モジュールを提案する。
論文 参考訳(メタデータ) (2024-07-18T14:40:33Z) - Gaussian Splatting to Real World Flight Navigation Transfer with Liquid Networks [93.38375271826202]
本研究では,シミュレート・トゥ・リアルな視覚四重項ナビゲーションタスクにおける分布シフトに対する一般化とロバスト性を改善する手法を提案する。
まず,擬似飛行力学とガウススプラッティングを統合してシミュレータを構築し,その後,液状ニューラルネットワークを用いてロバストなナビゲーションポリシーを訓練する。
このようにして、我々は3次元ガウススプラッティングラディアンス場レンダリング、専門家による実演訓練データのプログラミング、およびLiquid Networkのタスク理解能力の進歩を組み合わせたフルスタックの模倣学習プロトコルを得る。
論文 参考訳(メタデータ) (2024-06-21T13:48:37Z) - ViNL: Visual Navigation and Locomotion Over Obstacles [36.46953494419389]
障害物を用いた視覚ナビゲーションとロコモーション(ViNL)について述べる。
四足歩行ロボットは、道にある小さな障害物を踏み越えながら、見えないアパートを移動することができる。
ViNLは,(1)不慣れな屋内環境における目標座標にロボットを誘導する線形および角速度コマンドを出力する視覚的ナビゲーションポリシーと,(2)ロボットの関節を制御し,提供された速度コマンドに従って障害物を踏むことを避ける視覚的移動ポリシーとから構成される。
論文 参考訳(メタデータ) (2022-10-26T15:38:28Z) - Coupling Vision and Proprioception for Navigation of Legged Robots [65.59559699815512]
我々は視覚と受容の相補的な強みを利用して、脚のあるロボットでポイントゴールナビゲーションを実現する。
車輪付きロボット(LoCoBot)のベースラインよりも優れた性能を示す。
また,センサーと計算能力を備えた四足歩行ロボットに,我々のシステムを実環境に展開することも示す。
論文 参考訳(メタデータ) (2021-12-03T18:59:59Z) - Robust Navigation for Racing Drones based on Imitation Learning and
Modularization [3.616948583169635]
本稿では、認識モジュールにカスタマイズされた畳み込みニューラルネットワーク(CNN)を用いた、視覚に基づくモジュール化されたドローンレースナビゲーションシステムを提案する。
我々は、最先端のプランナーとコントローラを利用して低レベルの制御コマンドを生成し、データベースとモデルベースの両方のアプローチの利点を利用する。
論文 参考訳(メタデータ) (2021-05-27T03:26:40Z) - Learning Stable Manoeuvres in Quadruped Robots from Expert
Demonstrations [3.893720742556156]
鍵となる問題は、連続的な標的線速度と角速度の変化する脚軌道を生成することである。
この問題に対処する2つのアプローチを提案する。
我々は、目標速度、半径を計測し、それらを新しいコマンドに変換するニューラルネットワークベースのフィルタを開発した。
論文 参考訳(メタデータ) (2020-07-28T15:02:04Z)
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。