論文の概要: CORNAV: Construction-Aware Reasoning for Robot Navigation on Active Worksites
- arxiv url: http://arxiv.org/abs/2610.03622v1
- Date: Fri, 02 Oct 2026 17:19:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-06 00:14:30.511691
- Title: CORNAV: Construction-Aware Reasoning for Robot Navigation on Active Worksites
- Title（参考訳）: CORNAV:アクティブな作業員のロボットナビゲーションのための建設意識推論
- Abstract要約: 既存の言語ベースのナビゲーションシステムは、セマンティックシーンの理解のみに依存している。
本稿では,2次元CAD図面とプロジェクトスケジュールから動作する,青写真付きスケジュール対応ナビゲーションフレームワークであるCORNAVを紹介する。
- 参考スコア（独自算出の注目度）: 8.523119912549232
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The construction industry faces persistent labor shortages, low productivity that costs the global economy over $1.6 trillion annually, and one of the highest injury rates among major industries. These factors motivate the use of autonomous robots to improve efficiency and worker safety. Existing language-grounded navigation systems, however, rely on semantic scene understanding alone and lack access to construction-specific context such as architectural plans, evolving work schedules, and safety constraints. As a result, they localize permanent building features unreliably and cannot safely navigate active jobsites. We present CORNAV, a blueprint-grounded, schedule-aware navigation framework that operates from 2D CAD drawings and project schedules without requiring a Building Information Model. CORNAV aligns architectural blueprints against hierarchical open-vocabulary 3D scene graphs to ground object queries, converts project schedules into time-varying navigation constraints, and validates requests through an LLM-based safety module that escalates hazardous zones before planning. An A* planner then enforces mandatory exclusion zones while preferentially avoiding higher-risk areas. Across an indoor office and a real construction site, blueprint grounding raises task success from 13.0% to 72.2% over semantic retrieval alone, schedule awareness eliminates all hard-zone violations, and the safety module correctly rejects hazardous requests arising from mislabeled project schedules.
- Abstract（参考訳）: 建設業は労働力不足に悩まされ、生産性が低く、年間16兆ドルを超える世界経済を犠牲にしており、主要産業の中でも最大の損害率の1つとなっている。
これらの要因は、効率と作業者の安全性を向上させるための自律ロボットの使用を動機付けている。
しかし、既存の言語によるナビゲーションシステムは、セマンティック・シーンの理解のみに依存しており、建築計画や作業スケジュールの進化、安全性の制約といった、建設固有のコンテキストへのアクセスが欠如している。
結果として、彼らは恒久的な建物の特徴を信頼できない場所に配置し、アクティブな作業員を安全にナビゲートすることができない。
ビルディングインフォメーションモデルを必要としない2次元CAD図面とプロジェクトスケジュールから動作可能な,青写真付きスケジュール対応ナビゲーションフレームワークであるCORNAVを提案する。
CORNAVは、階層的なオープンボキャブラリ3Dシーングラフに対してアーキテクチャのブループリントを整列させ、プロジェクトのスケジュールを時間的なナビゲーション制約に変換し、計画前に危険なゾーンをエスカレートするLSMベースの安全モジュールを通じて要求を検証する。
A*プランナーは、高リスク領域を優先的に回避しながら、強制排除ゾーンを強制する。
屋内オフィスと実際の建設現場全体では、ブループリントグラウンドはセマンティック検索だけでタスクの成功率を13.0%から72.2%に引き上げ、スケジュール認識はハードゾーン違反をすべて排除し、安全モジュールは間違ったラベル付きプロジェクトスケジュールに起因する有害な要求を正しく拒否する。
関連論文リスト
- Time-Efficient Iterative Learning Planning for Safety-Critical Dynamic Obstacle Avoidance [49.35246226163005]
本稿では、予測リスクブレンド制御バリア機能(ARB-CBF)を統合することにより、動的環境における安全クリティカルなナビゲーションに反復学習計画(ILP)を拡張する。
総合的なシミュレーションと実世界の実験により、最適化ベースのベースラインに比べて計算オーバーヘッドが低く、時間効率と安全性が優れていることが証明された。
論文 参考訳（メタデータ） (2026-09-17T14:12:36Z) - RoboNav-Arm: Agentic AI-Driven Navigation and Obstacle Avoidance for Robotic Manipulator in Cluttered Environments [1.1638921255130017]
本稿では,効果的な障害回避を伴う安全なタスク実行のためのフレームワークを提案する。
提案手法はGazebo Classicで評価され,動的シナリオにおけるロバスト性を示す。
論文 参考訳（メタデータ） (2026-06-25T07:29:11Z) - RA-Nav: A Risk-Aware Navigation System Based on Semantic Segmentation for Aerial Robots in Unpredictable Environments [7.128475765820446]
既存の空飛ぶロボットナビゲーションシステムは、静的な障害物が突然動くと適応しない。
セマンティックセグメンテーションに基づくリスク対応ナビゲーションフレームワークであるRA-Navを提案する。
RA-Navは、突然の障害状態遷移シナリオにおいて、ベースラインよりも高い成功率を達成する。
論文 参考訳（メタデータ） (2026-02-19T16:26:43Z) - Plan-MCTS: Plan Exploration for Action Exploitation in Web Navigation [50.406803870992974]
Plan-MCTSは、探索を意味的なPlan Spaceに移行することでWebナビゲーションを再構築するフレームワークである。
Plan-MCTSは最先端の性能を達成し、タスク効率と探索効率を向上した現在の手法を超越している。
論文 参考訳（メタデータ） (2026-02-15T10:24:45Z) - Autonomous Construction-Site Safety Inspection Using Mobile Robots: A Multilayer VLM-LLM Pipeline [2.9360071145551068]
本稿では,自律走行中にロボットが見るものと,建設現場で一般的な安全基準を結びつけることを目的とする。
ロボティクスの面では、SLAMと自律ナビゲーションは、経路ポイントを介して繰り返しカバレッジとターゲットのリビジョンを提供する。
AI側では、ビジョン言語モデル(VLM)ベースのレイヤがシーン記述を生成する。
他のVLMベースのレイヤはルールに基づいて安全性を評価し、最後にLLM(Large Language Model)レイヤは以前の出力に基づいて安全性レポートを生成する。
論文 参考訳（メタデータ） (2025-12-16T00:25:31Z) - 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) - AGENTSAFE: Benchmarking the Safety of Embodied Agents on Hazardous Instructions [64.85086226439954]
本稿では,有害な指示に対するVLMエージェントの安全性を評価するためのベンチマークであるSAFEを提案する。
SAFEは、SAFE−THOR、SAFE−VERSE、SAFE−DIAGNOSEの3つの成分からなる。
我々は、ハザード認識を安全な計画と実行に翻訳する体系的な失敗を明らかにする。
論文 参考訳（メタデータ） (2025-06-17T16:37:35Z) - 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) - A reinforcement learning based construction material supply strategy
using robotic crane and computer vision for building reconstruction after an
earthquake [7.0046513193263165]
本稿では, 地震後のインフラ再建のために, 高度なAIアルゴリズムを備えたロボットクレーンを提案する。
強化学習(RL)アルゴリズムであるPPOは,3次元リフト経路計画のために実装されている。
PPOアルゴリズムを用いて異なる環境における負荷タスクを通じて2つのモデルを訓練し,その1つは障害物の影響を考慮し,もう1つは障害物を考慮しない。
論文 参考訳（メタデータ） (2023-08-30T19:13:23Z) - Embodied Task Planning with Large Language Models [86.63533340293361]
本研究では,現場制約を考慮した地上計画のための具体的タスクにおけるTAsk Planing Agent (TaPA)を提案する。
推論の際には,オープンボキャブラリオブジェクト検出器を様々な場所で収集された多視点RGB画像に拡張することにより,シーン内の物体を検出する。
実験の結果,我々のTaPAフレームワークから生成されたプランは,LLaVAやGPT-3.5よりも大きなマージンで高い成功率が得られることがわかった。
論文 参考訳（メタデータ） (2023-07-04T17:58:25Z)
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。