マルチモーダルな身体性（エンボディメント）に配慮したナビゲーション・トランスフォーマー

要旨: 教師あり学習によって訓練された、地上ロボット向けの目標条件付きナビゲーション・モデルは、有望なゼロショット転移を示しますが、それでも衝突回避能力は分布シフト、すなわち環境・ロボット・センサー構成の変化のもとで低下します。そこで本研究では、複数のプラットフォームおよび環境から得られた異種データで訓練した、目標ナビゲーションのためのマルチモーダルかつ注意機構（attention）ベースの方策 ViLiNT を提案します。これにより、2つの主要な特徴によって頑健性を向上させます。第一に、RGB画像、3D LiDAR点群、目標埋め込み（goal embedding）、およびロボットの身体（embodiment）記述子を、トランスフォーマー・アーキテクチャにより融合し、補完的な幾何情報と外観（appearance）の手がかりを捉えます。トランスフォーマーの出力は、拡散モデルを条件付けるために用いられ、拡散モデルは移動可能な軌道（ナビゲータブルなトラジェクトリ）を生成します。第二に、自動生成したオフラインのラベルを用いて、拡散モデルが生成した軌道を評価・順位付けするための経路クリアランス予測ヘッド（path clearance prediction head）を訓練します。拡散の条件付けと軌道の順位付けヘッドは、ロボットの身体トークンに依存し、これにより本モデルはロボットの寸法に応じた軌道を生成・選択できます。3つのシミュレーション環境において、ViLiNT は同等の最先端ビジョンのみのベースライン（NoMaD）に比べて平均で Success Rate を 166\% 向上させます。この性能向上は、障害物フィールドを走行するローバーを用いた実環境での展開によっても確認されます。これらの結果は、マルチモーダル融合と、提案する衝突予測メカニズムを組み合わせることで、オフロード走行のナビゲーション頑健性が向上することを示しています。