論文の概要: CoSMO: Conformal Semantic Mapping for Open-World Safe Robot Navigation
- arxiv url: http://arxiv.org/abs/2610.18321v1
- Date: Tue, 13 Oct 2026 13:01:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-17 06:22:56.903341
- Title: CoSMO: Conformal Semantic Mapping for Open-World Safe Robot Navigation
- Title（参考訳）: CoSMO: オープンワールド安全なロボットナビゲーションのためのコンフォーマルセマンティックマッピング
- Abstract要約: ヴィジュアル言語モデル(VLM)は、未知のシーンのマップを構築するためのリッチな意味表現を提供する。
オープンワールド安全ロボットナビゲーション(CoSMO)のためのコンフォーマルセマンティックマッピングを提案する。
CoSMOは、VLM埋め込みをキャリブレーションされたカバレッジセットに変換し、動的に拡大するハザード語彙上で安全に配慮した障害物拡張を行う。
- 参考スコア（独自算出の注目度）: 11.771041607372544
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Safe autonomous navigation requires not only geometric obstacle avoidance but also semantic awareness. Different object categories demand different safety clearances, and the set of relevant categories may expand as the robot explores novel environments. Vision-language models (VLMs) offer rich semantic representations for building maps of unknown scenes, yet their confidence scores are poorly calibrated, making raw predictions unreliable for safety-critical planning. Conformal prediction (CP) can provide coverage guarantees, but existing methods assume a fixed label set and stationary data, limiting their use in open-world settings. We propose Conformal Semantic Mapping for Open-World Safe Robot Navigation (CoSMO), a semantic safety mapping framework that transforms VLM embeddings into calibrated coverage sets and safety-aware obstacle dilations over a dynamically expanding hazard vocabulary, even under distribution shift. Experiments on the Matterport3D (MP3D) dataset show that CoSMO reduces semantic collisions by 61.6% relative to a geometry-only baseline, while maintaining formal coverage guarantees even under delayed expert feedback. Real-world experiments on a quadruped robot further demonstrate generalization by achieving long-run empirical coverage of 90.73% against the 90% target. Project website: https://yangming911.github.io/cosmo-page/.
- Abstract（参考訳）: 安全な自律ナビゲーションには、幾何学的障害物回避だけでなく、意味的認識も必要である。
異なる対象カテゴリーは、異なる安全性のクリアランスを必要とし、ロボットが新しい環境を探索するにつれて、関連するカテゴリのセットが拡大する可能性がある。
視覚言語モデル(VLM)は、未知のシーンのマップを構築するためのリッチなセマンティック表現を提供するが、その信頼性スコアは不十分であり、安全クリティカルな計画には信頼できない。
CP(Conformal Prediction)は、カバー範囲の保証を提供するが、既存の手法では固定ラベルセットと定常データを仮定し、オープンワールド設定での使用を制限する。
本研究では,開放型安全ロボットナビゲーション(CoSMO)のためのコンフォーマルセマンティックマッピングを提案する。これは,VLM埋め込みをキャリブレーションされたカバレッジセットに変換するセマンティック安全マッピングフレームワークである。
Matterport3D(MP3D)データセットの実験では、CoSMOは幾何学のみのベースラインに対して意味的衝突を61.6%削減し、専門家のフィードバックが遅れても正式なカバレッジを保証する。
四足歩行ロボットの実世界での実験は、90%の目標に対して90.73%の長期の経験的カバレッジを達成することで、さらなる一般化を実証している。
プロジェクトウェブサイト:https://yangming911.github.io/cosmo-page/.com
関連論文リスト
- SemSafe-3DGS: Semantic Risk-Aware Active Navigation in Uncertain 3D Gaussian Splatting Maps [0.0]
属性付き3次元ガウス地図におけるナビゲーションのための安全行動認識フレームワークについて述べる。
セマンティック属性は、クラス依存リスク重みを通して平均値-アット・リスク衝突クリアランスモデルを変調する。
実験では、効率的な安全制約、アクティブな知覚によるナビゲーションの改善、意味依存的な軌道適応、そしてアッカーマン力学による実ロボット実行が示されている。
論文 参考訳（メタデータ） (2026-09-16T18:56:13Z) - Safe Multi-Robot Coordination via VLM-LLM Reasoning and Reachability Analysis [39.499082381148035]
異種移動ロボットチームにおける協調目標指向ナビゲーションのための安全対応型M2Mフレームワークを提案する。
目的は、静的および動的障害を避けながら、両方のプラットフォームを目標領域に導くことである。
論文 参考訳（メタデータ） (2026-08-18T12:52:54Z) - Embedding Semantic Risk into Distance Fields and CBFs for Online Monocular Safe Control [23.988651352522826]
制御バリア関数(CBF)に基づく安全なナビゲーションと遠隔操作で使用される距離フィールドにセマンティックリスクを埋め込むオンライン単眼知覚制御フレームワークを提案する。
我々のフレームワークは、ユークリッド符号距離場(ESDF)に直接意味情報を埋め込むことによって、障害物幾何学とクラス依存リスクをオンライン化する。
この設計は制御最適化の前にセマンティックリスクを符号化するので、高リスクオブジェクトは、実行時に効率的なESDFクエリを保持しながら、安全分野に大きな空間的影響をもたらす。
論文 参考訳（メタデータ） (2026-06-01T02:57:31Z) - Uncertainty-Aware Gaussian Map for Vision-Language Navigation [63.97713877754199]
Vision-Language Navigation (VLN)は、自然言語の指示に従って3D環境をナビゲートするエージェントを必要とする。
本研究では,3種類の知覚的不確実性(幾何学的,意味的,外見的不確実性)を明示的にモデル化し,エージェントの観察空間に統合し,情報的意思決定を可能にする。
論文 参考訳（メタデータ） (2026-05-26T03:33:47Z) - See&Say: Vision Language Guided Safe Zone Detection for Autonomous Package Delivery Drones [3.719121868494767]
See&Sayは、幾何学的安全性と意味認識を組み合わせた新しいフレームワークであり、反復的洗練のためのビジョン・ランゲージ・モデル(VLM)によってガイドされている。
See&Sayは全ベースラインを上回り、安全マップ予測の精度とIoUを達成する。
これらの知見は,VLM誘導セグメンテーション深度融合が,安全で実用的なドローンパッケージの配送を促進することの可能性を浮き彫りにした。
論文 参考訳（メタデータ） (2026-04-14T20:54:31Z) - Contextual Safety Reasoning and Grounding for Open-World Robots [79.98924225712668]
COREは、環境に関する事前の知識なしに、オンラインのコンテキスト推論、接地、執行を可能にする安全フレームワークである。
知覚の不確実性を考慮したCOREの確率論的安全性保証を提供する。
シミュレーションと実世界の実験を通じて、COREは目に見えない環境において、文脈的に適切な振る舞いを強制することを示した。
論文 参考訳（メタデータ） (2026-02-23T15:51:23Z) - Semantic Exploration and Dense Mapping of Complex Environments using Ground Robot with Panoramic LiDAR-Camera Fusion [10.438142938687326]
本稿では,LiDAR-パノラマカメラスイートを備えた地上ロボットを用いて,複雑な未知環境の自律的セマンティック探索と密集的セマンティックターゲットマッピングを行うシステムを提案する。
そこで我々はまず,幾何的カバレッジと意味的視点の両方の観察を完遂するタスクを再定義し,その後,意味的視点と幾何学的視点を別々に管理し,局所的な視点を生成するための新たな優先順位駆動型デカップリング型局所サンプリングを提案する。
さらに,ロボットの安全性を確保しつつ,積極的な探索行動を可能にする安全な攻撃的探索状態マシンを提案する。
論文 参考訳（メタデータ） (2025-05-28T21:27:32Z) - Designing Control Barrier Function via Probabilistic Enumeration for Safe Reinforcement Learning Navigation [55.02966123945644]
本稿では,ニューラルネットワーク検証技術を利用して制御障壁関数(CBF)とポリシー修正機構の設計を行う階層型制御フレームワークを提案する。
提案手法は,安全なCBFベースの制御層を構築するために使用される,安全でない操作領域を特定するための確率的列挙に依存する。
これらの実験は、効率的なナビゲーション動作を維持しながら、安全でない動作を補正する提案手法の能力を実証するものである。
論文 参考訳（メタデータ） (2025-04-30T13:47:25Z) - Incremental 3D Scene Completion for Safe and Efficient Exploration
Mapping and Planning [60.599223456298915]
本研究では,情報,安全,解釈可能な地図作成と計画に3次元シーン補完を活用することによって,深層学習を探索に統合する新しい手法を提案する。
本手法は,地図の精度を最小限に抑えることで,ベースラインに比べて環境のカバレッジを73%高速化できることを示す。
最終地図にシーン完了が含まれていなくても、ロボットがより情報的な経路を選択するように誘導し、ロボットのセンサーでシーンの測定を35%高速化できることが示される。
論文 参考訳（メタデータ） (2022-08-17T14:19:33Z) - 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)
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。