ナビゲーション2026/9/4arXiv:2609.05300

密集・不確実な群衆中のロボットナビゲーションのための人-人・人-ロボット相互作用トランスフォーマー (H2INT)

Human-Human & Human-Robot Interaction Transformer (H2INT) for Robot Navigation in Dense and Uncertain Crowds

群衆中のロボットナビゲーションにおいて、歩行者がロボットの存在に応じて動きを変えることを明示的にモデル化する強化学習フレームワークを提案。人-人・人-ロボット関係を階層的に符号化するトランスフォーマーと、応答性を段階的に低下させるカリキュラム学習により、安全性と頑健性を向上させた。

詳しい要約

1. どんなもの？

本論文は、密集した不確実な群衆環境におけるロボットナビゲーションのための強化学習フレームワークであるHuman-Human & Human-Robot Interaction Transformer (H2INT)を提案している。H2INTは、歩行者運動のロボット条件付き変化をポリシー学習中に保持し、歩行者ごとに応答性を変化させることを可能にする。応答性はロボット可視時に群衆ダイナミクスに影響するが、ポリシー入力としては与えられず、ロボット中心の相対位置からその結果を推論する必要がある。

2. 先行研究と比べてどこがすごい？

多くの学習ベースのアプローチは、歩行者運動をロボットから独立に生成するか、一様な相互応答を仮定しており、相互作用の不確実性の重要な源を省略している。H2INTは、歩行者ごとに異なる応答性をモデル化し、ロボットの存在が歩行者運動に与える影響をポリシー学習中に明示的に保持することで、これらの限界に対処している。

3. 技術・手法の肝は？

手法の肝は、二段階のゲート付きTransformerアーキテクチャと再帰的ポリシーにある。まず、人間-人間および人間-ロボットの関係を段階的にエンコードし、ゲート機構が情報の流れを制御する。再帰的ポリシーが時間的進化を捉える。さらに、カリキュラム学習により歩行者の応答性を段階的に低下させ、相互作用の難易度を高める。

4. どうやって有効だと検証した？

シミュレーション実験により、代表的なベースラインと比較して、応答条件と群衆密度にわたってナビゲーションの安全性と堅牢性が向上することを示した。また、構造的に異なる群衆フローレイアウトへの再トレーニングなしの転移を示した。アブレーション研究は、階層的関係エンコーディングとゲート更新の有効性を支持する。さらに、実ロボット展開により、物理環境でスパースな観測を用いて学習ポリシーが動作可能であることを検証した。

5. 議論はある？

要旨からは、議論の余地や限界についての詳細は不明である。ただし、応答性がポリシー入力として与えられず、ロボット中心の相対位置から推論される点は、実際の環境での応答性の推定が難しい可能性がある。また、シミュレーションと実環境のギャップや、より複雑な群衆行動への一般化については議論の余地がある。

6. 次に読むべき論文は？

要旨で参照されているベースラインや関連手法は明示されていないが、同分野の定番として、Social Force Model、ORCA、および深層強化学習を用いたcrowd navigation手法（例：Socially Attentive Reinforcement Learning）が挙げられる。また、Transformerを用いた歩行者軌道予測手法（例：Social Transformer）も関連する。

※ 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: Ao Shen, Kaixi Chen, Shiwei Liu, Fang Deng, Chen Chen

分類: cs.RO

原文アブストラクト

Safe robot navigation in dense crowds requires reasoning about pedestrian motion and how it may change in response to a robot. However, many learning-based approaches generate pedestrian motion independently of the robot or assume uniform reciprocity, omitting an important source of interaction uncertainty. This paper presents a Human-Human & Human-Robot Interaction Transformer (H2INT), a reinforcement learning framework that retains robot-conditioned changes in pedestrian motion during policy learning while allowing responsiveness to vary across pedestrians. Responsiveness affects the crowd dynamics when the robot is visible but is not supplied as a policy input; the policy must instead infer its consequences from robot-centered relative positions. A two-stage gated Transformer progressively encodes human-human and human-robot relations, while a recurrent policy captures their temporal evolution. A curriculum gradually reduces pedestrian responsiveness to increase interaction difficulty. Simulation experiments demonstrate improved navigation safety and robustness over representative baselines across response conditions and crowd densities, and show transfer without retraining to structurally distinct crowd-flow layouts. Ablations support the hierarchical relational encoding and gated updates. Real-robot deployment further verifies that the learned policy can operate with sparse observations in a physical environment.

arXivで原文を読む →arXiv概要ページ