レンダリング不要のイベントフレームシミュレーションによる自律ロボットナビゲーションの高速強化学習

- Event camera を用いた自律ロボットナビゲーションのための強化学習を高速化する解析的 event simulator の提案。 - 視覚的 rendering を行わず、scene geometry と ego-motion から直接 event stream を合成する。 - 目的は goal-directed obstacle avoidance の end-to-end reinforcement learning を現実的な時間で収束させること。 - 小型 drone (Crazyflie) への onboard 実装まで含む。

- 既存 simulator は photorealistic image を render してから event に変換するため、大規模 reinforcement learning が極端に遅い。 - 提案手法は rendering を省略し、64x64 event observation を単一 GPU で 17 microseconds で生成。 - state-of-the-art の rendering pipeline 比で 400x 以上高速。 - 学習収束が 30 分未満で、rendered events での学習より three orders of magnitude 高速。

- event camera が本質的に計測する『moving contrast edges』に着目。 - scene geometry と ego-motion から解析的に event stream を直接合成する analytic event simulator。 - これにより visual rendering を完全に回避。 - 学習した policy を 1.2 MB int8 network に量子化し、Crazyflie 上に onboard 実装。

- 学習 policy が physically based event simulation (ray-traced Isaac Sim) へ zero-shot transfer することを確認。 - 未学習の cluttered courses (mid-difficulty, traversability probability approx. 0.57) で 83% success、平均 goal velocity 2.4 m/s。 - texture-dense indoor hall で 70% を維持。 - 実機では Prophesee GenX320 event camera と OpenMV N6 を搭載した 56-gram Crazyflie で、fine-tuning・外部処理・positioning なしに 3 コースで平均 82% (5/5, 5/6, 4/6 flights)。

- 実機実験は 3 コース各数回の flight であり、成功率のばらつきやサンプル数の制約がある。 - texture-dense indoor hall では成功率が 70% に低下しており、環境依存性が示唆される。 - 量子化による性能影響や、より複雑な環境への汎化については要旨からは不明。

- 比較対象として言及される rendering-based event simulator pipeline や ray-traced Isaac Sim 関連研究。 - event camera を用いた drone navigation の強化学習研究。 - event-based vision の sim-to-real transfer に関する研究。 - int8 quantization や onboard deployment に関する小型 UAV 向け推論研究。