論文の概要: Risk-Sensitive Crowd Navigation with Adaptive Ellipsoidal Conformal Prediction
- arxiv url: http://arxiv.org/abs/2610.07474v1
- Date: Mon, 05 Oct 2026 22:40:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 02:58:29.695241
- Title: Risk-Sensitive Crowd Navigation with Adaptive Ellipsoidal Conformal Prediction
- Title（参考訳）: 適応楕円形状予測を用いたリスク感性集団ナビゲーション
- Abstract要約: 本稿では、異方性共形楕円体を用いて、構造的予測の不確かさを条件付き値-リスク信号に変換するリスク認識ナビゲーションフレームワークを提案する。
本研究では,歩行者行動パターンの変化に伴う分布内設定と分布外設定の両方で提案手法を評価する。
- 参考スコア（独自算出の注目度）: 13.616760521657193
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Safe crowd navigation under distribution shift requires uncertainty representations that capture structured human-motion prediction errors and safety objectives that account for rare but consequential failures. Existing uncertainty-aware methods typically represent prediction errors using isotropic regions, which can be either overly conservative or poorly aligned with directional motion uncertainty. We introduce a risk-aware navigation framework that uses anisotropic conformal ellipsoids to translate structured prediction uncertainty into an episode-level conditional value-at-risk (CVaR) signal that regulates the Lagrangian safety penalty. In particular, adaptive ellipsoidal conformal prediction (AECP) captures directional prediction errors and adaptively calibrates uncertainty regions under distribution shift, while the resulting CVaR-regulated navigation policy is optimized using Lagrangian proximal policy optimization. We evaluate our proposed method under both in-distribution settings and out-of-distribution (OOD) settings involving shifts in pedestrian motion patterns. Compared with state-of-the-art baselines, our method maintains competitive in-distribution performance while improving success rates by 5.68-7.44 percentage points and reducing collision rates by 5.44-6.64 percentage points across OOD settings. We further deploy the trained policy without fine-tuning on a physical robot with onboard perception and CPU-only inference, showing that the full pipeline is feasible in physical crowd navigation.
- Abstract（参考訳）: 分散シフト下での安全な群集ナビゲーションには、構造化された人間の動き予測エラーをキャプチャする不確実性表現と、稀だが連続的な失敗の原因となる安全目標が必要である。
既存の不確実性認識手法は、通常、等方性領域を用いた予測誤差を表すが、これは過度に保守的であるか、方向運動の不確実性と整合していないかのいずれかである。
本稿では,異方性共形楕円体を用いて構造的予測の不確かさを,ラグランジュの安全を規定するCVaR信号に変換するリスク認識ナビゲーションフレームワークを提案する。
特に、適応楕円形整形予測(AECP)は、方向予測誤差を捕捉し、分布シフトの下で不確かさ領域を適応的に校正する一方、CVaR制御ナビゲーションポリシーはラグランジュ近似ポリシー最適化を用いて最適化される。
本研究では,歩行者行動パターンの変化に伴う分布内設定と分布外設定(OOD)の両方で提案手法を評価する。
現状のベースラインと比較すると,OOD設定における成功率を5.68-7.44ポイント改善し,衝突率を5.44-6.64ポイント削減しつつ,競争力のある分配性能を維持している。
我々はさらに、トレーニングされたポリシーを、搭載された知覚とCPUのみの推論を備えた物理ロボットに微調整することなく展開し、完全なパイプラインが物理的な群集ナビゲーションで実現可能であることを示す。
関連論文リスト
- GroundControl: Anticipating Navigation Failures in Vision-Language Agents via Trajectory-Consistent Uncertainty Estimates [3.7267095596919053]
視覚言語ナビゲーションエージェントは、ベンチマークタスクで平均的な競合的な成功を達成するが、予測可能な軌道レベルのブレークダウンによって失敗が発生することが多い。
信頼性の高いデプロイメントには、即時的なアクションエントロピーのみを反映するのではなく、実行中に発生する障害のダイナミクスを予測する不確実性信号が必要である。
本稿では,各エピソードに集約された目標方向距離-ゴール間距離の統計的偏差として定義される軌道整合不確実性推定器であるemphGroundControlを紹介する。
論文 参考訳（メタデータ） (2026-06-18T16:56:20Z) - From Attacks to Curricula: Learnability-Guided Adversarial Training for Safe Autonomous Driving [56.30087557121323]
AlignADVは学習性誘導型クローズドループ対向トレーニングフレームワークである。
敵のシナリオを解決可能で能力に整合したカリキュラムに変換する。
実験の結果、最大40.6%のトレーニングステップが短縮された。
論文 参考訳（メタデータ） (2026-06-12T02:13:55Z) - Chance-Constrained MPPI under State and Dynamic Object Prediction Uncertainty and the Evaluation of Collision Risk Calibration [1.8352113484137627]
自律ナビゲーションのためのリアルタイム・リスク対応計画アーキテクチャを提案する。
このフレームワークは、1管の Unscented Transform (UT) 近似によるローカライゼーションの不確実性とモンテカルロ凝集による動的障害物予測の不確実性を統合する。
高度に散らばった環境では、DUCCT-MPPIは優れた堅牢性を達成し、確立されたモンテカルロMPPIベースラインを約28%上回った。
論文 参考訳（メタデータ） (2026-05-27T11:32:05Z) - Action-Conditioned Risk Gating for Safety-Critical Control under Partial Observability [79.08785366532287]
部分観測可能性下でのリスク感応制御のための軽量なリスクゲート強化学習近似を提案する。
安全クリティカルな部分観測可能な2つの領域 – 自動グルコース調節と安全制約ナビゲーション – でアプローチを評価した。
論文 参考訳（メタデータ） (2026-05-14T01:23:09Z) - Beyond Imitation: Reinforcement Learning Fine-Tuning for Adaptive Diffusion Navigation Policies [31.52910494173408]
拡散に基づくロボットナビゲーションポリシーは、ロボットの視覚的観察から直接マルチモーダルな軌道を生成することができる。
拡散型ナビゲーションに適した強化学習フレームワークを提案する。
提案手法は, 衝突頻度を低減しつつ, 52.0%から58.7%, SPLを0.49から0.54に改善する。
論文 参考訳（メタデータ） (2026-03-13T10:14:32Z) - DARC: Disagreement-Aware Alignment via Risk-Constrained Decoding [59.16244104797919]
本稿では,リスク制約付き復号法(DARC)*による分散アライメント(Disagreement-Aware Alignment)を提案する。
DARCは応答選択を、分布的に堅牢で、リスクに敏感な意思決定として捉えている。
アライメントベンチマークの実験では、DARCは競合平均品質を維持しながら、不一致と尾のリスクを低減する。
論文 参考訳（メタデータ） (2026-03-09T09:21:29Z) - Geometry-Aware Uncertainty Quantification via Conformal Prediction on Manifolds [3.2848713528308817]
本研究では, ユークリッド残差を測地的非整合性スコアに置き換え, 異方性雑音に対処するためのクロスバリデード困難度推定器を用いて正規化する枠組みを提案する。
得られた予測領域は、球面上の測地的キャップであり、位置に依存しない領域を持ち、その大きさを局所的な予測困難に適応させ、非適応的な領域よりもはるかに均一な条件付きカバレッジをもたらす。
論文 参考訳（メタデータ） (2026-02-17T21:12:47Z) - AdaptNC: Adaptive Nonconformity Scores for Uncertainty-Aware Autonomous Systems in Dynamic Environments [7.201566646241765]
コンフォーマル予測法は、コンフォーマル閾値を適応的にスケーリングすることで目標範囲を維持する。
この固定幾何は, 環境が構造変化を起こすと, 極めて保守的で, 容積非効率な予測領域につながることを示す。
非整合スコアパラメータと整合しきい値の両方をオンライン化するためのフレームワークである textbfAdaptNC を提案する。
論文 参考訳（メタデータ） (2026-02-02T04:41:35Z) - Adaptive Conformal Prediction Intervals Over Trajectory Ensembles [50.31074512684758]
将来の軌道は、自律運転、ハリケーン予測、疫病モデルといった領域で重要な役割を果たしている。
本稿では,サンプル軌道を理論的カバレッジ保証付き校正された予測区間に変換する共形予測に基づく統一的なフレームワークを提案する。
論文 参考訳（メタデータ） (2025-08-18T21:14:07Z) - Active Test-time Vision-Language Navigation [60.69722522420299]
ATENAは、不確実なナビゲーション結果に対するエピソードフィードバックを通じて、実用的な人間とロボットのインタラクションを可能にする、テスト時のアクティブな学習フレームワークである。
特にATENAは、成功エピソードにおける確実性を高め、失敗エピソードにおいてそれを減らすことを学び、不確実性の校正を改善している。
さらに,自信ある予測に基づいて,エージェントがナビゲーション結果を評価することができる自己学習戦略を提案する。
論文 参考訳（メタデータ） (2025-06-07T02:24:44Z) - Plan-R1: Safe and Feasible Trajectory Planning as Language Modeling [74.41886258801209]
本稿では,行動学習から原理的アライメントを分離する2段階の軌道計画フレームワークを提案する。
Plan-R1は計画の安全性と実現可能性を大幅に改善し、最先端の性能を達成する。
論文 参考訳（メタデータ） (2025-05-23T09:22:19Z)
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。