論文の概要: Navigate or Relocate? Planning Among Movable Obstacles in Unknown Environments
- arxiv url: http://arxiv.org/abs/2609.19541v1
- Date: Thu, 17 Sep 2026 01:05:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-20 08:55:54.057503
- Title: Navigate or Relocate? Planning Among Movable Obstacles in Unknown Environments
- Title（参考訳）: 移動・移動 : 未知環境における移動可能な障害物の計画
- Abstract要約: 我々は、NAMO(Navigation among Obstacles)と呼ばれる問題に対処するオンラインフレームワークを提案する。
ナビゲーションは既存の移動プランナに依存し、リロケーションはサンプリングベースのアプローチでテキスト間依存のリロケーションシーケンスを検索する。
数値解析実験は、相互依存的な再配置を必要とし、既存のベースラインよりもプラン品質が向上した散在環境へのスケーラビリティを実証する。
- 参考スコア（独自算出の注目度）: 11.285441496518056
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Conventional robot planning methods seek collision-free paths to a goal but fail when all paths are blocked. In these cases, the robot must determine which objects to relocate, in what order, and where to place them to clear a path---a problem known as Navigation Among Movable Obstacles (NAMO). Most NAMO planners assume a known environment, while existing approaches for unknown environments typically reason locally about relocations and cannot plan interdependent relocation sequences. We consider NAMO in unknown environments revealed through onboard sensing, where the robot must decide whether a blocked route requires relocation or a feasible path may exist through unexplored space. We propose an online framework that addresses this ambiguity by selecting between navigation and relocation using shortest paths that treat discovered movable objects as obstacles or as removable. Navigation relies on existing motion planners, while relocation uses a sampling-based approach that, unlike existing approaches for unknown environments, searches over \textit{interdependent} relocation sequences and uses an LLM to bias sampling. Numerical experiments demonstrate scalability to cluttered environments requiring interdependent relocations and improved plan quality over existing baselines.
- Abstract（参考訳）: 従来のロボット計画手法では、衝突のない経路を目標に求めるが、全ての経路がブロックされると失敗する。
これらの場合、ロボットはどの物体を移動させるか、どの順序でどの物体を移動させるか、どの経路をクリアするかを判断しなければならない。
ほとんどのNAMOプランナーは既知の環境を前提としているが、未知の環境に対する既存のアプローチは、通常、移動について局所的に推論し、相互依存的な移動シーケンスを計画することができない。
本研究は,ロボットが経路の移動を必要とするか,探索されていない空間を通して実現可能な経路が存在するかを決定するため,車載センシングによって明らかにされた未知の環境におけるNAMOについて考察する。
本稿では,移動物体を障害物として,あるいは移動可能なものとして扱う最短経路を用いて,移動経路と移動経路を選択することで,このあいまいさに対処するオンラインフレームワークを提案する。
ナビゲーションは既存のモーションプランナーに依存し、リロケーションはサンプリングベースのアプローチを使用する。これは未知の環境に対する既存のアプローチとは異なり、 \textit{interdependent} のリロケーションシーケンスを検索し、LLMを使用してサンプリングをバイアスする。
数値解析実験は、相互依存的な再配置を必要とし、既存のベースラインよりもプラン品質が向上した散在環境へのスケーラビリティを実証する。
関連論文リスト
- AutoPath: Learning Transferable Goal-Conditioned Stochastic Path Prior for Safe Navigation Without Human Demonstrations [103.61864552260316]
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。
論文 参考訳（メタデータ） (2026-07-13T16:00:41Z) - SpaceVLN: A Zero-Shot Vision-and-Language Navigation Agent with Online Spatial Cognitive Memory and Reasoning [59.64305326980364]
SpaceVLNは、空間認知記憶とタスク誘導空間推論を中心に構築されたナビゲーションエージェントである。
このメモリ上に構築されたSpatial-CoTは、タスクプログレス推論と空間知覚、分析、予測を統合する。
R2R-CE、RxR-CE、GN-Bench、HM3D-OVONの他、SpaceVLNは最先端のゼロショット性能を実現している。
論文 参考訳（メタデータ） (2026-06-08T03:42:08Z) - IntentNav: Learning Spatial-Visual Object Navigation from Human Demonstrations [58.921283404811085]
我々は,人間のようなObjectNavポリシーを人間のデモから学習するフレームワークを提案する。
IntentNavはMP3D、HM3D-v1、HM3D-v2 ObjectNavベンチマークで最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2026-06-06T07:45:19Z) - To Move or Not to Move: Constraint-based Planning Enables Zero-Shot Generalization for Interactive Navigation [14.745622942938532]
家庭環境や倉庫のような現実のシナリオでは、クラッタはすべてのルートをブロックすることができる。
本稿では,移動ロボットが乱雑に移動して自身の進路を鍛える,Lifelong Interactive Navigation問題を紹介する。
アクティブな認識を伴うLLM駆動制約に基づく計画フレームワークを提案する。
論文 参考訳（メタデータ） (2026-02-23T17:10:00Z) - Making Infeasible Tasks Feasible: Planning to Reconfigure Disconnected 3D Environments with Movable Objects [7.628322510394639]
初期から目標設定までの衝突のないロボットパスの計画は、環境が切断されたときに失敗することが多い。
BRiDGEは,ロボットやオブジェクトの構成に木をインクリメンタルに構築して,実現可能な計画を計算する,サンプリングベースのプランナである。
本手法は確率論的に完全であることを示すとともに,その有効性を検証した広範な数値実験およびハードウェア実験を行う。
論文 参考訳（メタデータ） (2026-01-06T01:36:09Z) - ETPNav: Evolving Topological Planning for Vision-Language Navigation in
Continuous Environments [56.194988818341976]
視覚言語ナビゲーションは、エージェントが環境中をナビゲートするための指示に従う必要があるタスクである。
本研究では,1)環境を抽象化し,長距離航法計画を生成する能力,2)連続環境における障害物回避制御能力の2つの重要なスキルに焦点を当てたETPNavを提案する。
ETPNavは、R2R-CEとRxR-CEデータセットの先行技術よりも10%以上、20%改善されている。
論文 参考訳（メタデータ） (2023-04-06T13:07:17Z) - 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) - 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) - DARE-SLAM: Degeneracy-Aware and Resilient Loop Closing in
Perceptually-Degraded Environments [4.34118539186713]
自律探査における重要な要件は、未知の環境の正確で一貫したマップを構築することである。
位置認識を改善し,3次元位置の曖昧さを解消するために,デジェネリアシー・アウェアとドリフト・レジリエント・ループ・クロージング法を提案する。
論文 参考訳（メタデータ） (2021-02-09T20:37:17Z) - BADGR: An Autonomous Self-Supervised Learning-Based Navigation System [158.6392333480079]
BadGRは、エンドツーエンドの学習ベースのモバイルロボットナビゲーションシステムである。
実際の環境で収集された、自己監督型のオフポリシーデータでトレーニングすることができる。
BadGRは、幾何学的に邪魔な障害物を伴って、現実世界の都市やオフロード環境をナビゲートすることができる。
論文 参考訳（メタデータ） (2020-02-13T18:40:21Z)
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。