群衆ナビゲーション2026/10/29arXiv:2610.40050

危険を冒すな！LiDARのみの群衆ナビゲーションのための軌道条件付き分布リスク

Don't Risk It!: Trajectory-Conditioned Distributional Risk for LiDAR-Only Crowd Navigation

LiDARの占有グリッド履歴から候補制御列ごとの最小クリアランス分布を予測し、衝突リスクを評価するエンドツーエンドの群衆ナビゲーション計画手法DRIPを提案。最大45人の歩行者環境で成功率向上・衝突減少・停止回避を実現した。

詳しい要約

1. どんなもの？

- LiDAR のみを入力とする群衆ナビゲーションのための end-to-end 計画フレームワーク DRIP（Don't Risk It Planner） - LiDAR 由来の occupancy grid の履歴から、候補となる制御シーケンスごとに robot-obstacle clearance の分布を予測 - occupancy forecasting と trajectory-conditioned な clearance・不確実性推定を結合し、衝突リスクを評価して計画する

2. 先行研究と比べてどこがすごい？

- 物体 tracking に依存しない点が特徴で、tracking の脆弱性を回避 - 予測不確実性を幾何回帰のみでなく実測の衝突結果に基づく risk cost で学習 - 最大 45 人の歩行者を含む closed-loop 実験で、state-of-the-art ベースラインより高い成功率・少ない衝突・freezing 行動の減少を報告

3. 技術・手法の肝は？

- LiDAR から得た occupancy grid の履歴を直接入力とする - 候補制御シーケンスごとに、最小 robot-obstacle clearance の分布を予測 - その分布に基づき衝突リスクを評価し、予測不確実性を実証的な衝突結果に接地させる risk cost で学習

4. どうやって有効だと検証した？

- 最大 45 人の歩行者を含む closed-loop 実験で評価 - state-of-the-art ベースラインと比較し、成功率・衝突数・freezing 行動で優位性を報告 - 具体的なデータセット名や評価指標の詳細は要旨からは不明

5. 議論はある？

- 要旨からは不明 - 予測不確実性を衝突結果に基づく risk cost で学習する設計の一般性や限界については要旨に記述なし

6. 次に読むべき論文は？

- 要旨で明示的に参照・比較されている個別研究は不明 - 関連手法として LiDAR-based crowd navigation、occupancy forecasting、trajectory-conditioned risk estimation、uncertainty-aware planning の定番研究を次に読む候補として挙げる

※ 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: Mathai Mathew Pulicken, Laksh Nanwani, Basant Sharma, Phani Teja Singamaneni, Arun Kumar Singh, K. Madhava Krishna

分類: cs.RO

原文アブストラクト

Efficient crowd navigation requires anticipating dynamic collision-free space without relying on fragile object tracking. We propose the Don't Risk It Planner (DRIP), an end-to-end LiDAR-only planning framework that couples occupancy forecasting with trajectory-conditioned clearance and uncertainty estimation. Operating directly on LiDAR-derived occupancy grid histories, DRIP predicts a distribution over minimum robot-obstacle clearance for candidate control sequences to evaluate collision risk. The model is trained using a risk cost that grounds predictive uncertainty directly in empirical collision outcomes rather than geometric regression alone. In closed-loop experiments with up to 45 pedestrians, DRIP achieves higher success rates with fewer collisions and reduced freezing behavior compared to state-of-the-art baselines.

arXivで原文を読む →arXiv概要ページ

危険を冒すな！LiDARのみの群衆ナビゲーションのための軌道条件付き分布リスク

詳しい要約

1. どんなもの？

2. 先行研究と比べてどこがすごい？

3. 技術・手法の肝は？

4. どうやって有効だと検証した？

5. 議論はある？

6. 次に読むべき論文は？

原文アブストラクト

関連論文