自律的なターゲット探索のためのセマンティック・プライオリティの学習

arXiv cs.RO / 2026/4/1

💬 オピニオンIdeas & Deep AnalysisModels & Research

共有:

要点

本論文は、狭く類似した領域のみを対象とする学習に依存するのではなく、セマンティック特徴を用いることで、未知環境におけるロボットのターゲット探索効率の向上に取り組む。
専門家の指導から「セマンティック・プライオリティ」を学習し、その学習済みプライオリティをフロンティア探索プランナに適用する手法を提案する。
セマンティック・プライオリティのモデルと組合せ最適化を組み合わせることで、頑健でありながら完全なカバレッジを提供する探索行動を実現する。
シミュレーション上の専門家入力から生成した複数の合成データセットを用いてモデルを学習するため、実世界での専門家によるラベル付きデータを必要とせずに学習できる。
これまでに見たことのない環境を対象としたシミュレーション実験では、同手法はカバレッジ駆動の探索ベースラインよりも速くターゲットを回収できると報告されている。

要旨: 意味的特徴の利用は、ロボットによる捜索・救助ミッションにおける未知環境での目標捜索の効率を向上させることができます。現在の目標捜索手法は、類似領域の大規模データセットでの学習に依存しており、これが多様な環境への適応力を制限しています。しかし、人間の専門家は、多様でこれまでに見たことのない環境での目標捜索ミッション中にロボットを効果的に誘導するために必要な意味的関係に関する高レベルの知識を有しています。本論文では、専門家の入力を活用して意味的プライオリティ（優先度）のモデルを学習する目標捜索手法を提案します。学習したプライオリティを、組合せ最適化を用いるフロンティア探索プランナーに組み込むことで、提案手法は意味的特徴に駆動された効率的な目標捜索を実現しつつ、頑健性と完全なカバー範囲を保証します。提案する意味的プライオリティモデルは、目標捜索に対する模擬的な専門家誘導を用いた複数の合成データセットで学習されます。これまでに見たことのない環境でのシミュレーション実験により、本手法はカバレッジ駆動型探索プランナーよりも一貫してより速い目標回収を達成することが示されます。