視覚ナビゲーション2026/8/31arXiv:2608.30242v1

CanonNav: カメラ幾何からナビゲーション行動を分離するクロスプラットフォーム視覚ナビゲーション

CanonNav: Disentangling Navigation Behavior from Camera Geometry in Cross-Platform Visual Navigation

クロスプラットフォームのデモから視覚ナビゲーションを学習する際、カメラ幾何の影響を分離し、安全性と局所進行の補助監督を導入するフレームワークCanonNavを提案。RGBのみでRGB-D法を上回る性能を達成。

詳しい要約

1. どんなもの？

CanonNavは、クロスプラットフォームの視覚ナビゲーションにおいて、ナビゲーション行動とカメラ幾何を分離し、補完的なプランニング監視を導入するフレームワークである。カメラ幾何の正規化により、視覚観測と軌跡をカメラに依存しない表現空間に変換し、オフラインの traversability estimator からの擬似ラベルを用いて安全性と局所進行の監視を生成する。推論時はRGBのみを使用する。

2. 先行研究と比べてどこがすごい？

従来の模倣学習では、画像と軌跡のペアから直接学習するため、ナビゲーション行動とプラットフォーム依存のカメラ幾何が絡み合い、カメラ幾何を暗黙的に推測する必要があった。CanonNavはこれを明示的に分離し、学習の一貫性を向上させる。また、従来の模倣学習は専門家の選択した動作のみを捉え、中間の意思決定を暗黙のままにするが、CanonNavは安全性と局所進行の監視を追加することで、この問題に対処する。

3. 技術・手法の肝は？

手法の核は、カメラ幾何の正規化（camera geometry canonicalization）と、オフラインの traversability estimator からの擬似ラベルを用いた補完的なプランニング監視の導入である。具体的には、視覚観測と軌跡をカメラに依存しない表現空間に変換し、安全性監視（unsafe trajectories をペナルティ）と局所進行監視（ロボットが進むべき方向をガイド）を追加する。

4. どうやって有効だと検証した？

多様なカメラ構成と環境での実験を通じて検証した。RGBのみを使用するCanonNavは、RGBベースのベースラインを一貫して上回り、困難なシナリオではRGB-Dベースの手法をも上回ることを示した。

5. 議論はある？

要旨からは、カメラ幾何の正規化が具体的にどのように実装されているか、traversability estimator の詳細、擬似ラベルの品質が性能に与える影響、実機での検証などについては不明である。また、RGB-Dベースの手法を上回る条件や限界についての議論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、クロスプラットフォームの模倣学習による視覚ナビゲーション、traversability estimation、RGB-Dベースのナビゲーション手法が挙げられる。具体的な論文名は不明だが、これらの分野の定番論文を読むことが推奨される。

※ 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: Dong-Wook Kim, Ji-Hoon Hwang, E-In Son, Mintaek Oh, Seung-Woo Seo

分類: cs.RO

原文アブストラクト

While visual navigation has advanced through imitation learning from cross-platform demonstrations, fully leveraging such data remains challenging. First, directly learning from image-trajectory pairs entangles navigation behavior with platform-dependent camera geometry. This hinders consistent learning by forcing the policy to implicitly infer camera geometry from visual observations, an inherently ill-posed problem. Second, imitation learning from demonstrated trajectories captures the expert's chosen motion but leaves the intermediate decisions underlying that motion implicit. To address these issues, we propose CanonNav, a visual navigation framework that disentangles navigation behavior from camera geometry and incorporates complementary planning supervision into learning from cross-platform demonstrations. CanonNav introduces camera geometry canonicalization, which transforms visual observations and trajectories into a camera-consistent representation space. Building on this representation, we derive safety and local-progress supervision using pseudo-labels from an offline traversability estimator. Safety supervision penalizes unsafe trajectories, while local-progress supervision guides where the robot should advance. Experiments across diverse camera configurations and environments show that, despite using only RGB at inference, CanonNav consistently outperforms RGB-based baselines and even surpasses RGB-D-based methods in challenging scenarios.

arXivで原文を読む →arXiv概要ページ

← 論文一覧