論文の概要: Learning Interaction-Aware Path Corrections from Unlabeled Trajectories: A LiDAR-Based Sim-to-Real GNN Framework for Construction Robots

• arxiv url: http://arxiv.org/abs/2610.34060v1
• Date: Sun, 25 Oct 2026 04:45:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.528444
• Title: Learning Interaction-Aware Path Corrections from Unlabeled Trajectories: A LiDAR-Based Sim-to-Real GNN Framework for Construction Robots
• Title（参考訳）: ラベルのない軌道から経路補正を学習する:建設ロボットのためのLiDARに基づくSim-to-Real GNNフレームワーク
• Abstract要約: 本稿では,ラベルのない実演から対話を考慮した経路修正を学習する,リアルタイムLiDARのみのフレームワークを提案する。 ブロッキング試験では、GNNはパスの不規則性を39.2%減らし、TTCを最小限に増やした。
• 参考スコア（独自算出の注目度）: 1.9473307808172182
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Construction robots operating near workers require navigation that can anticipate human motion while remaining robust to dynamic and unstructured site conditions. However, existing social navigation methods depend on hand-crafted interaction rules, labeled demonstrations, or robot-specific control policies, limiting their scalability and transferability in construction environments. We propose a real-time, LiDAR-only framework that learns interaction-aware path corrections from unlabeled demonstrations. Constant-velocity extrapolation generates residual learning targets, while a GNN models relationships among the robot, pedestrians, and goal context. During deployment, an extended Kalman filter tracks LiDAR detections to construct dynamic graphs, and the GNN offsets planner-generated waypoints through a planner-agnostic interface. Within the bricklaying trial, the GNN reduced path irregularity by 39.2\% and increased minimum TTC. Across Dynablox sequences, it increased minimum TTC by 38.3\% while producing shorter, smoother paths than the baselines. Ablation studies supported a 1.0-s prediction interval and confirmed the benefits of target context, reflection augmentation, and feature normalization.
• Abstract（参考訳）: 作業員の近くで作業する建設ロボットは、動的で非構造的な場所条件に頑健なまま、人間の動きを予測できるナビゲーションを必要とする。 しかし、既存のソーシャルナビゲーション手法は、手作りのインタラクションルール、ラベル付きデモ、ロボット固有の制御ポリシーに依存し、建設環境におけるスケーラビリティと転送性を制限する。 本稿では,ラベルのない実演から対話を考慮した経路修正を学習する,リアルタイムLiDARのみのフレームワークを提案する。 一定速度外挿は学習目標を残留させ、GNNはロボット、歩行者、ゴールコンテキスト間の関係をモデル化する。 デプロイメント中、拡張Kalmanフィルタは、動的グラフを構築するためにLiDAR検出を追跡し、GNNはプランナーに依存しないインターフェイスを通じてプランナー生成のウェイポイントをオフセットする。 ブロッキング試験では、GNNは経路不規則性を39.2\%減らし、最小TTCを増加させた。 ダイナブロックス配列全体では、最低TTCを38.3 %増加させ、ベースラインよりも短く滑らかな経路を生み出した。 アブレーション研究は1.0秒の予測間隔をサポートし、ターゲットコンテキスト、反射増強、特徴正規化の利点を確認した。

関連論文リスト

• Language-Guided Terrain-Adaptive Neural MPC for Autonomous Traversal of Articulated Tracked Robots [8.853718687352151]
  都市での捜索と救助では、追跡されたロボットは構造的だが接触に富んだ環境を横切る必要がある。 本稿では,言語誘導型ニューラルキネマティクスモデル予測制御フレームワークであるASTRIL-MPCを提案する。 その結果、地形条件付きニューラルキネマティクス、最適化ベースの計画、言語誘導型適応を組み合わせることで、音声追従型ロボットにおけるデータ効率とロバストな自律性が得られることが示唆された。
  論文  参考訳（メタデータ） (2026-09-11T17:17:52Z)
• RAVEN: Reinforcement-Adaptive Visibility-Graph Planning for Robust Humanoid Navigation with Collision-Free MPC [11.923992019929495]
  本稿では,ロバストなヒューマノイドナビゲーションのための階層型強化学習フレームワークであるRAVENを提案する。 RAVENは、障害物インフレーションと関連するグラフパラメータを変更することで、可視グラフプランナーの幾何学的構成にRLを適用する。 その結果、障害物近傍でのオーバーシュートを低減し、狭い通路でのロバスト性を向上し、遅延と騒音下でのより信頼性の高い航法が示された。
  論文  参考訳（メタデータ） (2026-07-17T07:23:54Z)
• 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)
• KinematicRL: A Sim-to-Real Reinforcement Learning Framework For Social Navigation With Kinodynamic Feasibility [27.73146983499444]
  Deep Reinforcement Learning (DRL)はソーシャルナビゲーションを約束しているが、現実のデプロイメントは、永続的なsim-to-realギャップによって妨げられている。 この研究は、これらの制限に対処し、動的に実行可能なナビゲーションポリシーを生成する統一されたフレームワークを提示している。 実世界の環境での実験では、提案された追跡パイプラインと組み合わせることで、KinematicRLを最小限の修正で実微分駆動ロボットにデプロイできることが示されている。
  論文  参考訳（メタデータ） (2026-06-10T13:07:03Z)
• Integrated Multi-Drone Task Allocation, Sequencing, and Optimal Trajectory Generation in Obstacle-Rich 3D Environments [0.0]
  IMD-TAPP(Integrated Multi-Drone Task Allocation and Path Planning)は,多ゴールアロケーション,ツアーシークエンシング,および障害物の多い空間で動作する四角形チームのための安全な軌道生成を行うエンドツーエンドのフレームワークである。 複数の目標を達成する2つのドローンによる代表的なケーススタディでは、提案手法は実行中に必要な安全制約を維持しながら、最低ミッション時間は136秒に達する。
  論文  参考訳（メタデータ） (2026-03-26T00:46:26Z)
• ZTRS: Zero-Imitation End-to-end Autonomous Driving with Trajectory Scoring [52.195295396336526]
  ZTRS(Zero-Imitation End-to-End Autonomous Driving with Trajectory Scoring)は、情報を失うことなくセンサー入力と堅牢な計画のためのRLトレーニングという、両方の世界の強みを組み合わせたフレームワークである。 ZTRSは、Navtest、Navhard、HUGSIMの3つのベンチマークで強力なパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-10-28T06:26:36Z)
• ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
  ResADは正規化された残留軌道モデリングフレームワークである。 学習タスクを再編成し、慣性参照からの残留偏差を予測する。 NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
  論文  参考訳（メタデータ） (2025-10-09T17:59:36Z)
• D2-TPred: Discontinuous Dependency for Trajectory Prediction under Traffic Lights [68.76631399516823]
  本稿では,空間的動的相互作用グラフ(SDG)と行動依存グラフ(BDG)を用いて,交通信号に対する軌道予測手法D2-TPredを提案する。 実験の結果,VTP-TLではADEとFDEでそれぞれ20.45%,20.78%以上を達成できた。
  論文  参考訳（メタデータ） (2022-07-21T10:19:07Z)
• SGCN:Sparse Graph Convolution Network for Pedestrian Trajectory Prediction [64.16212996247943]
  歩行者軌道予測のためのスパースグラフ畳み込みネットワーク(SGCN)を提案する。 具体的には、SGCNはスパース指向の相互作用をスパース指向の空間グラフと明確にモデル化し、適応的な相互作用歩行者を捉える。 可視化は,歩行者の適応的相互作用とその運動特性を捉えることができることを示す。
  論文  参考訳（メタデータ） (2021-04-04T03:17:42Z)
• Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for Online Collision Avoidance [95.86944752753564]
  本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。 我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。 本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
  論文  参考訳（メタデータ） (2020-07-28T07:34:30Z)

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。