PIVOT: 物理情報に基づく視覚言語モデルによる不整地走行評価とフィールドロボットナビゲーション

PIVOTは、オフロード移動ロボット向けの地形評価・ナビゲーションシステム。従来のgeometry-based planningに、vision-language-model (VLM)によるsemantic reasoningを追加し、物理的に根拠づけた走行可能性評価を行う。VLMが予測するtraversal energy cost、robot vibration、wheel slipを実世界計測と相関させ、その相関で重み付けしたunified traversability scoreを導入。効率化のため、geometry-based planningをnominal modeとし、経路が見つからない時のみsemantic replanningを呼ぶtwo-level navigation architectureを採用。

従来のgeometry-based terrain assessmentは計算が速いが、非構造環境では過度に保守的になりやすい。PIVOTはVLMベースのsemantic reasoningを追加し、さらにVLM予測と実測の相関で物理的に接地することで、geometryのみの限界を超える。混合地形約6.4 kmのclosed-loop trialで、autonomyを59.6%から97.0%へ、human interventionsを11回から3回へ、MDBIを69.2 mから412.9 mへ改善。

VLMによるsemantic reasoningで地形の走行可能性を評価し、traversal energy cost、robot vibration、wheel slipの予測値を実世界計測との相関で重み付けしてunified traversability scoreを算出。ナビゲーションはtwo-level architectureで、通常はgeometry-based planningをnominal modeとして使い、失敗時のみsemantic replanningを起動して効率を保つ。

混合地形のルート約6.4 kmで、5回の反復closed-loop trialを実施。geometry-only navigationと比較し、overall autonomyが59.6%から97.0%に増加、human interventionsが11回から3回に減少、mean distance between interventions (MDBI)が69.2 mから412.9 mに増加した。

要旨からは不明。ただし、VLM予測と実測の相関に基づく重み付けや、geometry-based planningをnominal modeとするtwo-level architectureの有効性が示唆される。

要旨で参照/比較されている研究は明示されていない。関連手法として、geometry-based terrain assessment、vision-language-model (VLM)を用いたsemantic terrain assessment、off-road traversability estimation、closed-loop navigation評価に関する研究が次に読むべき候補。同分野の定番として、geometry-based planningやsemantic segmentationを用いたtraversability estimationの論文が挙げられる。