Walk With Me：人に寄り添う屋外支援のための長期ホライズンなソーシャルナビゲーション

要旨: オープンワールドの屋外環境において人間を支援するには、ロボットが高水準の自然言語による意図を、安全で、長い視野（長ホライズン）にわたる、かつ社会的に適合したナビゲーション行動へと翻訳できる必要があります。既存の地図ベース手法はコストのかかる事前に構築されたHD（高精細）地図に依存する一方で、学習ベースの方策は主に屋内および短いホライズン設定に限られています。このギャップを埋めるために、本研究では高水準の人間の指示から長ホライズンの社会的ナビゲーションを行う、地図不要の枠組みであるWalk with Meを提案します。Walk with Meは、GPSコンテキストと、公的な地図APIから取得する軽量な候補目的地ポイントを活用して、意味的な目的地の位置づけ（semantic destination grounding）とウェイポイント提案を行います。高水準の視覚—言語モデル（High-Level Vision-Language Model）は、抽象的な指示を具体的な目的地へと位置づけし、粗いウェイポイント列を計画します。実行時には、観測（オブザベーション）に基づくルーティング機構が、低水準の視覚—言語—行動方策（Low-Level Vision-Language-Action policy）が現在の状況を扱えるかどうかを判断し、必要なら高水準のVLM（Vision-Language Model）からの明示的な安全性推論を用います。日常的な区間は低水準のVLA（Low-Level VLA）によって実行されますが、混雑した横断などの複雑な状況では、高水準の推論をトリガし、危険な場合は停止して待機（stop-and-wait）する行動に切り替えます。意味的な意図の位置づけ、地図不要の長ホライズン計画、安全性を考慮した推論、低水準の行動生成を組み合わせることで、Walk with Meは、人間中心の支援のための実用的な屋外ソーシャルナビゲーションを可能にします。