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
空中ナビゲーションarXiv:2610.29699

空中ナビゲーションの多様環境ベンチマークAirPlayground

AirPlayground: Benchmarking Aerial Navigation across Diverse Reconstructed Environments

シェア:XThreadsFacebookLINEはてブBluesky

屋内・都市・植生の94の3DGS環境と94Kの専門家飛行デモを構築し、空中ナビゲーション方策の学習と統一評価を可能にするベンチマークを提案した。

詳しい要約

1. どんなもの？

- 大規模な空中ナビゲーションのための統一 benchmark『AirPlayground』を提案 - 学習用データと標準化された closed-loop 評価の両方を提供 - 94 個の photorealistic 3D Gaussian Splatting (3DGS) 環境を構築 - indoor, urban outdoor, vegetation の設定を含む - collision geometry を整合させている - 自動 expert flight 収集 pipeline により 94K demonstrations, 46.5M synchronized observation-state-action samples (50 Hz) を生成 - 異なる policy formulation の学習と統一 protocol での評価を可能にする拡張可能 API を提供

2. 先行研究と比べてどこがすごい？

- 既存資源の限界として (1) 多様な policy formulation 学習用の密な flight demonstrations の不足、(2) 標準化 closed-loop 評価のための広い環境 coverage の不足を指摘 - これに対し AirPlayground は 94 環境の 3DGS と整合 collision geometry、94K demonstrations、46.5M samples を一体で提供 - 学習と評価を同一 corpus・同一環境で共有する枠組みを実現 - 具体的な先行研究名との比較は要旨からは不明

3. 技術・手法の肝は？

- 94 個の photorealistic 3DGS 環境を構築し collision geometry を整合 - scene-adaptive な自動 expert flight 収集 pipeline を開発 - 94K demonstrations, 46.5M synchronized observation-state-action samples を 50 Hz で生成 - 共有 corpus 上で異なる policy formulation を学習し、統一 protocol で評価する拡張可能 API を提供 - offline prediction error と closed-loop 結果の関係を分析可能にする枠組み

4. どうやって有効だと検証した？

- 4 つの policy paradigm にまたがる 7 つの baseline を、3 つの navigation setting で seen/unseen 環境において benchmark - ACT を用いて scaling behavior を検証 - 訓練 corpus を 5 から 70 scene に拡大すると、seen の median success rate は 30.6%→41.2%、unseen は 16.8%→29.4% に向上 - offline prediction error と closed-loop 結果の関係を分析

5. 議論はある？

- 分析により closed-loop 性能における prediction error、execution protocol、scene interaction の役割を強調 - offline prediction error と closed-loop 結果の関係を共有枠組みで分析可能と述べる - 具体的な限界や今後の課題についての詳細は要旨からは不明

6. 次に読むべき論文は？

- 要旨で比較・参照されている具体的な先行研究は明示されていない - 関連手法として 3D Gaussian Splatting (3DGS)、ACT、および aerial navigation の policy learning 関連研究 - 同分野の定番として imitation learning や closed-loop navigation benchmark 関連の研究が候補（具体名は要旨からは不明）

※ 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: Rangya Zhang, Yujing Shang, Zhuoyuan Yu, Mingsheng Li, Qingsong Yan, Chao Yan, Yuhang Zhang, Mir Feroskhan

分類: cs.RO

原文アブストラクト

Large-scale aerial resources provide a foundation for learning navigation across diverse environments. However, existing resources remain limited in providing (1) densely sampled flight demonstrations for learning different policy formulations and (2) broad environment coverage for standardized closed-loop evaluation. To address these limitations, we introduce AirPlayground, a unified benchmark for training and evaluating aerial navigation policies across diverse environments. We first construct 94 photorealistic 3D Gaussian Splatting (3DGS) environments spanning indoor, urban outdoor, and vegetation settings, with aligned collision geometry. Building on these environments, we develop a scene-adaptive pipeline for automated expert flight collection, yielding 94K demonstrations and 46.5M synchronized observation-state-action samples at 50 Hz. We further provide an extensible API that supports training different policy formulations on this shared corpus and evaluating them under unified protocols in the corresponding environments. We benchmark seven baselines spanning four policy paradigms across three navigation settings in seen and unseen environments, and further examine scaling behavior with ACT. Scaling ACT's training corpus from 5 to 70 scenes raises median success rates on seen and unseen environments from 30.6% and 16.8% to 41.2% and 29.4%, respectively. Through this shared training and evaluation framework, AirPlayground supports analysis of how offline prediction errors relate to closed-loop outcomes. Our analyses highlight the roles of prediction errors, execution protocols, and scene interactions in closed-loop performance.

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