OccPlanner: 目標認識占有条件付き拡散プランナーによるピクセルゴールナビゲーション

OccPlannerは、Pixel-goal Navigation（カメラ画像上のピクセルで目標を指定するナビゲーション）のための、目標認識型のOccupancy条件付きDiffusion Plannerである。ピクセル目標はメートル深度や traversability を直接提供しないため、3D目標の grounding と衝突回避の連続プランニングが困難である。OccPlannerは、ego-centric metric space でピクセル目標を grounding し、時間的視覚コンテキストと学習されたローカル3D Occupancy特徴に基づいて目標表現を逐次条件付けする。また、L3ROcc を導入し、単眼RGBナビゲーションビデオから幾何学的再構成とレイベースの可視性推論を通じて、ロボット中心のローカル3D Occupancyアノテーションを生成する。

先行研究のNavDP（Diffusion Planner）と比較して、OccPlannerはOccupancy情報を明示的に条件付けに組み込むことで、ピクセル目標の3D groundingと衝突回避を改善している。要旨では、5-8 m設定で平均成功率（SR）を20.81%から71.55%に向上させており、特に cluttered シーンで高い性能を示している。また、L3ROccによる大規模なOccupancy監視を可能にし、実世界へのsim-to-real転換の初期証拠も提供している点が新しい。

手法の肝は、ピクセル目標をego-centric metric spaceでgroundingし、時間的視覚コンテキストと学習されたローカル3D Occupancy特徴を逐次条件付けとして用いる点である。具体的には、Diffusion Plannerの条件付けにOccupancy情報を組み込み、目標表現を動的に更新する。また、L3ROccは単眼RGBビデオから幾何学的再構成とレイベースの可視性推論を用いて、ロボット中心のローカル3D Occupancyアノテーションを自動生成し、大規模な教師データを提供する。

OccPlannerをInternData-N1で訓練し、InternScenesの4つの未見シーンカテゴリと2つの目標距離範囲で閉ループシミュレーション評価を行った。5-8 m設定では、4カテゴリ全体で平均SRがNavDPの20.81%から71.55%に向上し、cluttered-easyとcluttered-hardシーンではそれぞれ86.20%と84.92%に達した。さらに、Unitree Go2を用いた実世界の開ループ実験で、sim-to-real転換とL3ROcc生成監視への適応の初期証拠を示した。

要旨からは、議論の詳細は不明であるが、実世界実験は開ループであり、閉ループでの実世界性能は未検証である可能性が示唆される。また、L3ROccのアノテーション品質や、Occupancy条件付けの計算コスト、異なる環境での汎化性などが議論の対象となり得る。ただし、要旨には明示的な議論は記載されていない。

要旨で参照されているNavDP（Diffusion Planner）が関連研究として挙げられる。また、Pixel-goal Navigationの分野では、目標 grounding や Occupancy 予測に関する研究（例：Occupancy Networks、3D Scene Understanding）が関連する。具体的な論文名は要旨にないため、同分野の定番として、'Goal-conditioned Reinforcement Learning'や'Diffusion Policy'に関する研究を読むことが推奨される。