日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

週刊ニュースレター購読
歩行arXiv:2610.10470

CMP-IRRT*：四足歩行ロボットのための知覚支援型高さ適応プランナ

CMP-IRRT*: A Perception-Assisted Height-Adaptive Planner for Quadruped Robots

シェア:XThreadsFacebookLINEはてブBluesky

トップビューRGBから障害物の高さマップを推定し、低い障害物は乗り越え可能として扱う高さ条件付き衝突判定とMambaベースのサンプリング誘導を組み合わせたRRT*プランナを提案。探索ノード数と経路長を削減し、Unitree Go2で実機検証した。

詳しい要約

1. どんなもの？

四足歩行ロボット向けの知覚支援型高さ適応プランナー CMP-IRRT* を提案する研究。 - 2D プランニングでは障害物を二値占有領域として扱い、低障害物を跨げる四足の能力を活かせない。 - 提案は Channel Mamba PointNet 誘導の Informed RRT* プランナー。 - 上面 RGB 観測から障害物領域と地面相対の高さマップを推定する。 - 高さ条件付き衝突判定で高障害物は遮断、低障害物は通過可能とする。 - コードは公開されている。

2. 先行研究と比べてどこがすごい？

古典的・ニューラル誘導ベースラインと比較して探索ノード数と反復回数を削減。 - 従来の 2D パイプラインは障害物を二値占有で扱い、低障害物の踏破可能性を考慮しない。 - 提案は高さ条件付き衝突判定により低障害物を通過可能とし、経路長を最大 16.3% 短縮。 - Mamba ベースのガイドの寄与を制御されたアブレーションで支持。 - サンプリング予算が限られる状況での非効率を改善。

3. 技術・手法の肝は？

CMP-IRRT* は Channel Mamba PointNet 誘導の Informed RRT* プランナー。 - キャリブレーション済み上面 RGB 観測から知覚モジュールが障害物領域を推定。 - 深度予測を地面相対の高さマップに変換。 - プランナーは高さ条件付き衝突判定を実行。 - 高障害物は遮断領域として扱う。 - 低障害物は踏破可能として扱う。 - CMP ガイドで有望領域へサンプリングをバイアス。 - 標準の自由空間サンプリングと informed サンプリングのフォールバックを保持。

4. どうやって有効だと検証した？

2D プランニングベンチマークで古典的・ニューラル誘導ベースラインと比較。 - 探索ノード数と反復回数の削減を確認。 - Mamba ベースガイドの寄与を制御されたアブレーションで支持。 - 踏破可能性を考慮した構築シナリオで、低障害物が踏破可能な場合に経路長を最大 16.3% 短縮。 - Unitree Go2 によるデモで回避と踏破の実行可能な挙動を提示。

5. 議論はある？

要旨からは不明。 - 限られた予算下での効率改善やアブレーション結果は示されるが、限界や失敗事例、計算コスト、実機での汎化性に関する議論は要旨に記載がない。

6. 次に読むべき論文は？

要旨で参照・比較されている研究や関連手法。 - Informed RRT*（サンプリングベースプランニングの古典的手法）。 - RRT* などの古典的サンプリングベースプランナー。 - ニューラル誘導ベースライン（具体的名称は要旨からは不明）。 - Channel Mamba PointNet（CMP）に関連する Mamba ベースの知覚・誘導手法。 - Unitree Go2 を用いた四足歩行ロボットのプランニング研究。

※ 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: Mingfan Zhao, Wendong Mao, Zhongfeng Wang

分類: cs.RO

原文アブストラクト

Quadruped robots can traverse low obstacles, but many 2D planning pipelines still model obstacles as binary occupied regions and rely on sampling-based search that can be inefficient under a limited budget. We propose a perception-assisted height-adaptive planning framework based on CMP-IRRT*, a Channel Mamba PointNet-guided Informed RRT* planner. Given a calibrated top-view RGB observation, the perception module estimates obstacle regions and converts depth predictions into a ground-relative height map. The planner then performs height-conditioned collision checking, treating high obstacles as blocked while allowing low obstacles to be traversed, and uses the CMP guide to bias sampling toward promising regions while retaining standard free-space and informed sampling fallbacks. Experiments on 2D planning benchmarks show that CMP-IRRT* reduces explored nodes and iterations compared with classical and neural-guided baselines, and a controlled ablation supports the contribution of the Mamba-based guide. In constructed traversability-aware scenarios, the proposed planner reduces path length by up to 16.3% when low obstacles are traversable, and a Unitree Go2 demonstration further shows executable bypassing and traversal behaviors. Our code is publicly available at https://github.com/MingfanZhao/height-adaptive-planner.

arXivで原文を読む →arXiv概要ページ

関連論文

← 論文一覧
PR本紙発行元 EmplifAI