論文の概要: Local-Minimum Escaper: Programmatic Subgoal Generation for Robust Navigation in Unknown Environments

• arxiv url: http://arxiv.org/abs/2609.38928v1
• Date: Wed, 30 Sep 2026 04:10:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.160279
• Title: Local-Minimum Escaper: Programmatic Subgoal Generation for Robust Navigation in Unknown Environments
• Title（参考訳）: ローカル最小エスケープ:未知環境におけるロバストナビゲーションのためのプログラムサブゴール生成
• Abstract要約: 我々は,局所最小領域からロボットを誘導するためのサブゴールを明示的に生成し,理由づける階層的なフレームワークであるtextbfLME(Local-Minimum Escaper)を提案する。 LMEはローカルな観測のみで動作し、解釈可能な基準を用いて候補サブゴールを選択する。 シミュレーションおよび実世界の環境での実験は、LMEが堅牢なナビゲーション性能を提供し、目に見えないシナリオに一般化することを実証している。
• 参考スコア（独自算出の注目度）: 8.553925324572559
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Mapless navigation in unknown and partially observable environments remains challenging for mobile robots, particularly when local minima prevent the robot from making progress toward its goal. Existing local navigation methods often lack an explicit mechanism for escaping such situations, while deep reinforcement learning (DRL) approaches typically learn recovery behaviors implicitly through reward design and policy optimization. In this work, we propose \textbf{LME} (Local-Minimum Escaper), a programmatic hierarchical framework that explicitly generates and reasons subgoals to guide robots out of local-minimum regions. LME operates solely on local observations and selects candidate subgoals using interpretable heuristic criteria that account for both surrounding obstacle geometry and candidate-location safety. A local planner then generates low-level motion commands toward the selected subgoal. This design enables LME to handle environments both with and without local minima within a unified framework, while remaining independent of the underlying local planner and requiring no additional training. Extensive experiments in simulated and real-world environments demonstrate that LME provides robust navigation performance and generalizes to challenging unseen scenarios. Furthermore, the generated subgoals can be used to guide different local planners, substantially improving their ability to escape local minima. Successful deployments on both differential-drive and quadruped robots further demonstrate the practical applicability and generality of the proposed framework.
• Abstract（参考訳）: 未知の、あるいは部分的に観察可能な環境におけるマップレスナビゲーションは、特にローカルのミニマがロボットが目標に向かって前進するのを妨げている場合、移動ロボットにとって依然として困難である。 既存のローカルナビゲーション手法はそのような状況から逃れるための明確なメカニズムを欠いていることが多いが、深い強化学習(DRL)アプローチは通常、報酬設計とポリシー最適化を通じて暗黙的に回復行動を学ぶ。 本研究では,局所最小領域からロボットを誘導するサブゴールを明示的に生成し,理由づけるプログラム的階層型フレームワークである「textbf{LME} (Local-Minimum Escaper)」を提案する。 LMEは、局所観測のみを運用し、周囲の障害物形状と候補位置の安全性の両方を考慮した解釈可能なヒューリスティック基準を用いて、候補サブゴールを選択する。 ローカルプランナーは選択したサブゴールに対する低レベル動作コマンドを生成する。 この設計により、LMEは統一されたフレームワーク内でローカルのミニマと非ローカルの両方で環境を処理できるが、基盤となるローカルプランナとは独立であり、追加のトレーニングは不要である。 シミュレーションおよび実世界の環境における大規模な実験は、LMEが堅牢なナビゲーション性能を提供し、目に見えないシナリオに一般化することを実証している。 さらに、生成されたサブゴールは、異なるローカルプランナーを誘導するために使用することができ、ローカルミニマから逃れる能力を大幅に改善する。 ディファレンシャルドライブと四足歩行の両方でのデプロイが成功し、提案フレームワークの実用性と汎用性をさらに証明した。

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)
• HaltNav: Reactive Visual Halting over Lightweight Topological Priors for Robust Vision-Language Navigation [1.774434289475737]
  VLN(Vision-and-Language Navigation)は、厳格なステップバイステップの指示から、オープンな語彙、ゴール指向の自律性へとシフトしている。 本稿では,OsmAGのロバストなグローバルプランニングと,VLNの局所探索と命令グラウンド機能を組み合わせた階層型ナビゲーションフレームワークHaltNavを提案する。
  論文  参考訳（メタデータ） (2026-03-13T06:22:35Z)
• DreamFlow: Local Navigation Beyond Observation via Conditional Flow Matching in the Latent Space [13.241858119518858]
  散在した環境における局所的なナビゲーションは、しばしば密集した障害物としばしば局所的なミニマに悩まされる。 DRLベースのローカルナビゲーションフレームワークであるDreamFlowを提案する。 提案手法は, 四足歩行ロボットを用いて, 乱雑な実環境下でさらに検証された。
  論文  参考訳（メタデータ） (2026-03-03T13:31:22Z)
• Global Commander and Local Operative: A Dual-Agent Framework for Scene Navigation [96.88162755522342]
  視覚と言語 シーンナビゲーションは、人間のAIを具現化する基本的な能力である。 DACoは,グローバルな議論を現地の基盤から切り離す,計画的な非結合型アーキテクチャである。 グローバルな推論を局所的な行動から遠ざけることで、DACoは認知的過負荷を軽減し、長期的安定性を向上させる。
  論文  参考訳（メタデータ） (2026-02-21T19:19:55Z)
• ActLoc: Learning to Localize on the Move via Active Viewpoint Selection [52.909507162638526]
  ActLocは、一般的なロボットナビゲーションタスクのローカライズ精度を高めるためのアクティブな視点対応計画フレームワークである。 ActLocの中核となるのは、視点選択のために、大規模に訓練された注意ベースのモデルである。 ActLocは、単一視点選択における最先端の結果を達成し、完全な軌道計画に効果的に一般化する。
  論文  参考訳（メタデータ） (2025-08-28T16:36:02Z)
• Hierarchical Reinforcement Learning for Safe Mapless Navigation with Congestion Estimation [7.339743259039457]
  本稿では,階層的強化学習(HRL)を利用した安全な地図レスナビゲーションフレームワークを提案する。 その結果,HRLに基づくナビゲーションフレームワークは静的シナリオと動的シナリオの両方で優れていることがわかった。 本研究では,物理的な検証実験を行うために,TurtleBot3ロボット上にHRLベースのナビゲーションフレームワークを実装した。
  論文  参考訳（メタデータ） (2025-03-15T08:03:50Z)
• 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)
• 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)
• DDPEN: Trajectory Optimisation With Sub Goal Generation Model [70.36888514074022]
  本稿では,エスケープネットワークを用いた微分動的プログラミング(DDPEN)を提案する。 本稿では,環境の入力マップとして,所望の位置とともにコストマップの形で利用する深層モデルを提案する。 このモデルは、目標に導く可能性のある将来の方向を生成し、リアルタイムに実行可能なローカルなミニマを避ける。
  論文  参考訳（メタデータ） (2023-01-18T11:02:06Z)
• Generalization in Deep Reinforcement Learning for Robotic Navigation by Reward Shaping [0.1588748438612071]
  ローカルナビゲーション問題におけるDRLアルゴリズムの適用について検討する。 DRLに基づく衝突回避ポリシーにはいくつかの利点があるが、それらは局所的なミニマの影響を受けやすい。 本稿では,学習段階において得られた地図情報を取り入れた新たな報酬関数を提案する。
  論文  参考訳（メタデータ） (2022-09-28T17:34:48Z)

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。