論文の概要: A Practical Causal Framework for Autonomous Mobile Robots: From Simulation to Real-World Human Environments

• arxiv url: http://arxiv.org/abs/2611.04027v1
• Date: Mon, 02 Nov 2026 22:16:09 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-04 17:32:21.525983
• Title: A Practical Causal Framework for Autonomous Mobile Robots: From Simulation to Real-World Human Environments
• Title（参考訳）: 自律移動ロボットのための実践的因果関係 -シミュレーションから実環境へ-
• Abstract要約: 因果推論(Causal Inference)は、ロボットがイベントの背後にある理由を推論することによって、安全で効率的な意思決定を可能にする強力なパラダイムとして登場した。 我々は,シミュレーション学習による因果関係を最小限の努力で現実世界に伝達するという課題に取り組む。 不変な高レベル因果構造を維持しながら,新たな観測セットに制限された因果モデルパラメータのみを更新することにより,実世界の状況に効率よく適応できることを実証的に示す。
• 参考スコア（独自算出の注目度）: 3.320858630463
• License:
• Abstract: Causal inference has emerged as a powerful paradigm enabling robots to make safe, efficient decisions by reasoning about the ``why'' behind events. However, its real-world application is hindered by the difficulty of collecting causal data, especially in human-populated environments where training takes time, while users expect immediate operation. To this end, we tackle the challenge of transferring simulation-learnt causal relations to the real world with minimal effort. While retaining the invariant high-level causal structure, we empirically demonstrate the system adapts efficiently to real-world situations by updating only the causal model parameters with a limited set of new observations. Our results show that the parameter update enables rapid sim-to-real transfer. The framework runs efficiently onboard of a mobile robot and significantly outperforms a non-causal baselines navigating successfully and safely in complex human-shared scenarios.
• Abstract（参考訳）: 因果推論は、イベントの背後にある ‘why'' を推論することで、ロボットが安全で効率的な意思決定を可能にする強力なパラダイムとして現れている。 しかし、実際の応用は、特に訓練に時間がかかり、ユーザーは即時操作を期待する人為的な環境において、因果データ収集の難しさによって妨げられている。 この目的のために,シミュレーション学習による因果関係を最小限の努力で現実世界に伝達するという課題に取り組む。 不変な高レベル因果構造を維持しながら,新たな観測セットに制限された因果モデルパラメータのみを更新することにより,実世界の状況に効率よく適応できることを実証的に示す。 その結果,パラメータの更新により,高速なsim-to-real転送が可能となった。 このフレームワークは、モバイルロボット上で効率的に動作し、複雑な人間共有シナリオにおいて、正常かつ安全にナビゲートする非因果的ベースラインを大幅に上回る。

関連論文リスト

• ComSim: Building Scalable Real-World Robot Data Generation via Compositional Simulation [90.4702774169675]
  本稿では,古典シミュレーションとニューラルシミュレーションを組み合わせた合成シミュレーションというハイブリッド手法を提案する。 提案手法では,少数の実世界のデータを活用するクローズドループ・リアル・シモン・リアル・データ拡張パイプラインを利用する。 我々はニューラルシミュレーターをトレーニングし、古典的なシミュレーションビデオを現実世界の表現に変換し、現実の環境で訓練されたポリシーモデルの精度を向上させる。
  論文  参考訳（メタデータ） (2026-04-13T12:25:45Z)
• PolaRiS: Scalable Real-to-Sim Evaluations for Generalist Robot Policies [88.78188489161028]
  シミュレーションにおける政策評価と環境復元(PolaRiS)の導入 PolaRiSは、高忠実度シミュレーションロボット評価のためのスケーラブルなリアルタイム・シミュレート・フレームワークである。 PolaRiSの評価は,既存のシミュレーションベンチマークよりも,現実のジェネラリストのポリシー性能に強い相関関係があることが示されている。
  論文  参考訳（メタデータ） (2025-12-18T18:49:41Z)
• Situationally-Aware Dynamics Learning [57.698553219660376]
  隠れ状態表現のオンライン学習のための新しいフレームワークを提案する。 提案手法は、非観測パラメータが遷移力学と報酬構造の両方に与える影響を明示的にモデル化する。 シミュレーションと実世界の両方の実験は、データ効率、ポリシー性能、安全で適応的なナビゲーション戦略の出現を著しく改善した。
  論文  参考訳（メタデータ） (2025-05-26T06:40:11Z)
• Rapidly Adapting Policies to the Real World via Simulation-Guided Fine-Tuning [13.771418136861831]
  物理シミュレーターは、状態、行動、環境を広範囲にカバーした膨大なデータセットを生成することができる。 これらのポリシーを小さな現実世界のデータセットで微調整することは、ロボット学習をスケールするための魅力的な方法だ。 本稿では,シミュレーション誘導ファインチューニング(SGFT)フレームワークについて紹介する。
  論文  参考訳（メタデータ） (2025-02-04T20:40:44Z)
• Robotic World Model: A Neural Network Simulator for Robust Policy Optimization in Robotics [50.191655141020505]
  この研究は、長期水平予測、エラー蓄積、およびsim-to-real転送の課題に対処することで、モデルに基づく強化学習を前進させる。 スケーラブルでロバストなフレームワークを提供することで、現実のアプリケーションにおいて適応的で効率的なロボットシステムを実現することができる。
  論文  参考訳（メタデータ） (2025-01-17T10:39:09Z)
• LitSim: A Conflict-aware Policy for Long-term Interactive Traffic Simulation [3.550570240658488]
  本稿では,ログの介入を最小限に抑えて,現実主義を最大化する長期対話型シミュレーション手法を提案する。 具体的には、当社のアプローチでは、ログリプレイを使用してリアリズムを確実にし、潜在的な衝突を防ぐために必要な場合にのみ介入する。 エージェント間の相互作用を奨励し、紛争を解決し、非現実的な行動のリスクを減らす。
  論文  参考訳（メタデータ） (2024-03-07T07:58:58Z)
• Learning to navigate efficiently and precisely in real environments [14.52507964172957]
  Embodied AIの文献は、HabitatやAI-Thorといったシミュレータで訓練されたエンドツーエンドエージェントに焦点を当てている。 本研究では,sim2realのギャップを最小限に抑えたシミュレーションにおけるエージェントのエンドツーエンドトレーニングについて検討する。
  論文  参考訳（メタデータ） (2024-01-25T17:50:05Z)
• Nonprehensile Riemannian Motion Predictive Control [57.295751294224765]
  本稿では,リアル・ツー・シムの報酬分析手法を導入し,リアルなロボット・プラットフォームに対する行動の可能性を確実に予測する。 連続的なアクション空間でオブジェクトを反応的にプッシュするクローズドループコントローラを作成します。 我々は,RMPCが乱雑な環境だけでなく,乱雑な環境においても頑健であり,ベースラインよりも優れていることを観察した。
  論文  参考訳（メタデータ） (2021-11-15T18:50:04Z)
• Point Cloud Based Reinforcement Learning for Sim-to-Real and Partial Observability in Visual Navigation [62.22058066456076]
  強化学習(Reinforcement Learning, RL)は、複雑なロボットタスクを解決する強力なツールである。 RL は sim-to-real transfer problem として知られる現実世界では直接作用しない。 本稿では,点雲と環境ランダム化によって構築された観測空間を学習する手法を提案する。
  論文  参考訳（メタデータ） (2020-07-27T17:46:59Z)
• Sim-to-Real Transfer with Incremental Environment Complexity for Reinforcement Learning of Depth-Based Robot Navigation [1.290382979353427]
  段階的環境複雑性を用いたソフト・アクター・クリティカル(SAC)トレーニング戦略を提案し,実世界における追加トレーニングの必要性を大幅に低減した。 アプリケーションは深度に基づくマップレスナビゲーションで、移動ロボットは、事前のマッピング情報なしで、散らかった環境で所定の経路点に到達すべきである。
  論文  参考訳（メタデータ） (2020-04-30T10:47:02Z)

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。