ナビゲーション2026/8/7arXiv:2608.07751v1

CoCoNav: 群衆中の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制御

CoCoNav: Conformal Control for Safe Robot Navigation in Crowds

群衆中のロボットナビゲーションにおいて、予測誤差の不確実性をオンラインで調整するコンフォーマル制御と、実行前に安全性を検証するプランナーを組み合わせたフレームワークを提案した。

詳しい要約

1. どんなもの？

CoCoNavは、群衆環境でのロボットナビゲーションのためのフレームワークであり、オンラインのconformal calibrationと実行時検証付きプランニングを組み合わせる。予測誤差の不確実性と時間変化に対処し、安全で効率的なナビゲーションを実現する。

2. 先行研究と比べてどこがすごい？

既存のリアクティブ手法は振動的挙動を生じ、予測的プランナーは予測を正確とみなすか、制限的な誤差モデルに依存する。また、保守的な不確実性セットをハード制約として組み込むとMPCが実行不可能になる。CoCoNavは、conformal calibrationを用いて誤差境界を適応的に調整し、ソフト制約MPCと分離検証により実行可能性を維持する点が新しい。

3. 技術・手法の肝は？

手法の核は、ホライズン固有のconformal比例積分（PI）コントローラを用いて軌道誤差境界を調整し、長期的な経験的カバレッジを調整すること。プランナーはソフト制約MPCで名目軌道を生成し、その後、較正された境界に対して軌道と緊急操作を分離して検証する「relax-then-verify」アプローチを採用する。

4. どうやって有効だと検証した？

シミュレーションと四足ロボット実験を実施し、衝突回避、タスク成功率、ナビゲーション効率の点で、評価したベースラインと比較して良好なバランスを達成することを示した。

5. 議論はある？

要旨からは、提案手法の限界や特定の条件下での性能低下などについての議論は不明。また、実世界の複雑な群衆動態への一般化や、計算コストの詳細も要旨には含まれていない。

6. 次に読むべき論文は？

要旨で参照されている関連研究として、conformal prediction、model predictive control (MPC)、群衆ナビゲーションのための予測的プランナー、および安全検証手法が挙げられる。具体的には、conformal predictionの基礎論文や、MPCベースのナビゲーション、およびロボットナビゲーションにおける安全クリティカル制御に関する論文が関連する。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Cheng Guo, Mingzhe Ni, Zheng Liang, Yihu Ling, Yuan Hu, Michele Caprio, Daniele Pucci, Wei Pan

分類: cs.RO, cs.LG

原文アブストラクト

Safe and efficient robot navigation in crowds requires anticipating pedestrian motion despite uncertain and potentially shifting prediction errors. Existing reactive methods can produce oscillatory behavior, while predictive planners often treat forecasts as exact or rely on restrictive error models. Incorporating conservative uncertainty sets as hard constraints can also render model predictive control (MPC) infeasible. We propose \textit{CoCoNav}, a crowd-navigation framework that combines online conformal calibration with runtime-certified planning. A horizon-specific conformal proportional--integral controller adapts trajectory-error bounds to regulate long-run empirical coverage, enabling the framework to respond to changing prediction errors. A \textit{relax-then-verify} planner preserves solver feasibility by generating nominal trajectories with soft-constrained MPC and separately certifying them, together with contingency maneuvers, against the calibrated bounds before execution. Simulations and quadruped experiments show that CoCoNav achieves a favorable balance among collision avoidance, task success, and navigation efficiency relative to the evaluated baselines.

arXivで原文を読む →arXiv概要ページ

← 論文一覧