渡る前に地形を感じる：オフロードナビゲーションのための世界モデル

- オフロードナビゲーションのためのWorld Model「Feel-WM」を提案。 - 自己受容感覚(proprioception)を条件に、ロボットが感じる物理的未来(将来のproprioceptive stateとfailure risk)とカメラが見るシーンを同時に予測。 - プランナは物理的未来とシーンをロールアウトし、予測failure riskとgoal similarityを分離可能なスコアで重み付け。 - 実オフロードデータとシミュレーションで、視覚のみのナビゲーションWorld Modelを上回る。 - Huskyに搭載し山道でオンライン計画、荒れた地面を予測して回避、end-to-end policyが失敗するコースを完走。

- 既存のシーンフォーカスなWorld Modelは、計画軌道に沿ったロボットの滑り・傾き・振動を予測しない。 - 都市環境では予測シーンが十分な代理となるが、オフロードではロボット-地形相互作用が重要。 - Feel-WMは初めてproprioceptionを条件に、物理的未来を予測するオフロードナビゲーションWorld Model。 - 視覚のみのナビゲーションWorld Modelと比較して、オープンループ計画とクローズドループの粗地形ナビゲーションで優位。 - 車輪型と脚型の両プラットフォームで有効性を確認。

- proprioceptionを入力として条件付け、将来のproprioceptive stateとfailure riskを予測。 - 物理的未来はロボット自身の経験から人間ラベルなしで学習。 - プランナは物理的未来とシーンをロールアウトし、予測failure riskとgoal similarityを分離可能なスコアで評価。 - カメラが見るものとロボットが感じるものを同時に予測するWorld Model。 - 計画候補の行動系列ごとに未来を予測し最良を選択するforesightベースの計画。

- 実オフロードデータとシミュレーションで実験。 - オープンループ計画とクローズドループの粗地形ナビゲーションで評価。 - 車輪型と脚型のプラットフォームで検証。 - Huskyを山道に展開し、オンラインで計画、荒れた地面を予測して回避、end-to-end policyが失敗するコースを完走。 - 視覚のみのナビゲーションWorld Modelと比較して性能向上を確認。

- 要旨からは不明。 - ただし、proprioceptionが物理的未来の予測を改善することが示唆されている。 - 予測failure riskとgoal similarityの分離可能なスコアの重み付けに関する議論は要旨からは不明。 - 実世界展開の限界や計算コストについては要旨からは不明。

- 要旨で参照/比較されている研究: 視覚のみのナビゲーションWorld Model、end-to-end policy。 - 関連手法: シーンフォーカスなWorld Model、オフロードナビゲーションのためのWorld Model。 - 同分野の定番: モデルベース強化学習、予測制御、ナビゲーションWorld Model。