マルチロボット/社会ナビゲーション2026/10/19arXiv:2610.26852

不確実性を考慮した協調予測による堅牢なマルチロボット社会ナビゲーション

CoopUQ: Robust Multi-Robot Social Navigation via Uncertainty-Aware Cooperative Forecasting

複数ロボット間で時空間特徴を融合して将来の占有グリッドとその不確実性を予測し、制約付きマルチエージェント強化学習でリスク感度を適応させる社会ナビゲーション手法CoopUQを提案した。

詳しい要約

1. どんなもの？

- 複数ロボットの社会性ナビゲーションのためのフレームワーク CoopUQ を提案 - 不確実性を考慮した協調的な占有予測と頑健な意思決定を橋渡し - 将来の占有グリッドマップをロボット間の時空間特徴融合で予測 - 予測とその不確実性を constrained multi-agent reinforcement learning のポリシー誘導に利用 - 対象は人間共存環境での mobile robots のナビゲーション - 遮蔽や out-of-distribution (OOD) シナリオでの安全性・効率を狙う

2. 先行研究と比べてどこがすごい？

- 単一ロボット手法をマルチロボットへ直接拡張する従来アプローチの限界を指摘 - 遮蔽や OOD 下で個々のロボットがリスクを見落とす、予測を誤る問題に対処 - 予測とナビゲーションの両方で協調を活用する点が特徴 - 占有予測の不確実性をポリシーに反映し、分布シフト下でリスク感度を適応 - 代表的なベースラインに対し予測性能と安全性の改善を報告 - 具体的なベースライン名は要旨からは不明

3. 技術・手法の肝は？

- cross-robot spatiotemporal feature fusion による将来占有グリッドマップ予測 - 複数ロボットの観測を融合して予測を生成 - 予測と不確実性を constrained multi-agent reinforcement learning に組み込む - 占有予測領域や不確実性が高い領域を通るナビゲーションにコストを課す - これにより分布シフト下でリスク感度を適応させる設計 - 予測・不確実性・ポリシーを統合する枠組みが肝

4. どうやって有効だと検証した？

- Unity3D ベースの複数のシミュレーション環境で評価 - in-distribution と OOD の両設定を含む - 多様なレイアウト、歩行者密度、rushing behavior を対象 - 予測性能と安全性を代表的なベースラインと比較 - 実ロボット実験で様々なシーンでの頑健性を実証 - 具体的な評価指標やロボット台数は要旨からは不明

5. 議論はある？

- 遮蔽や OOD 下での安全性・効率向上を主張 - 不確実性に基づくリスク感度の適応が寄与すると示唆 - 実ロボット実験で頑健性を示すが、詳細な限界や失敗事例は要旨からは不明 - 計算コストやスケーラビリティ、実環境の歩行者多様性への言及は要旨からは不明

6. 次に読むべき論文は？

- 要旨で参照/比較されている具体的なベースライン名は不明 - 関連手法として以下を挙げる - constrained multi-agent reinforcement learning - マルチロボットの協調占有予測 (cooperative occupancy forecasting) - 不確実性を考慮した予測に基づくナビゲーション (uncertainty-aware navigation) - 単一ロボットの social navigation における強化学習手法

※ 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: Zehao Wang, Jianpeng Yao, Yuping Wang, Yiping Li, Jiaqi Li, Zhixu Li, Kanghoon Lee, Jinfeng Wang, Cong Liu, Zhaowei Tan, Jinkyoo Park, Jiachen Li

分類: cs.RO, cs.AI, cs.LG

原文アブストラクト

Reinforcement learning enables mobile robots to make fast and scalable navigation decisions in constrained human-shared environments. However, directly extending single-robot approaches to multi-robot settings often fails to ensure safety and efficiency, especially under occlusions and out-of-distribution (OOD) scenarios, where individual robots may overlook potential risks or make inaccurate predictions. Leveraging cooperation effectively for both prediction and navigation remains a major challenge. We propose CoopUQ, a multi-robot social navigation framework that bridges uncertainty-aware cooperative occupancy forecasting and robust decision making. CoopUQ predicts future occupancy grid maps through cross-robot spatiotemporal feature fusion and further leverages forecasts and their uncertainty to guide policy via constrained multi-agent reinforcement learning, where the cost penalizes navigation through regions predicted to be occupied or highly uncertain. This design enables the policy to adapt its risk sensitivity under distribution shifts. Experimental results across multiple Unity3D-based simulation environments with both in-distribution and OOD settings, including diverse layouts, pedestrian densities, and rushing behavior, demonstrate improved prediction performance and safety over representative baselines. Real-robot experiments further demonstrate its robustness across various scenes. Our code and videos are available at https://coopuq.github.io/.

arXivで原文を読む →arXiv概要ページ

← 論文一覧