FlowNav: Learning Efficient Navigation Policies via Conditional Flow Matching

要約

動的環境におけるロボットの効果的なナビゲーションは、高周波数での正確な制御アクションの生成に依存する困難なタスクです。
最近の進歩により、ナビゲーションは目標条件付き制御の問題として枠組み化されました。
拡散ポリシーなどの目標ベースのナビゲーションのための現在の最先端の方法は、サブゴール画像またはロボットを誘導するためのロボット制御アクションのいずれかを生成します。
ただし、これらの方法は精度が高いにもかかわらず、かなりの計算コストがかかるため、リアルタイム アプリケーションでの実用性は制限されます。
最近、条件付きフロー マッチング (CFM) が、拡散をより効率的かつ堅牢に一般化したものとして登場しました。
この研究では、ロボットがその環境をナビゲートするのに役立つアクション ポリシーを学習するための CFM の使用を検討します。
私たちの結果は、CFM が高精度のロボット動作を生成できることを示しています。
CFM は、拡散ポリシーの精度に適合するだけでなく、実行時のパフォーマンスも大幅に向上します。
これは、衝突回避とスムーズな操作のために迅速で信頼性の高いアクション生成が不可欠であるリアルタイム ロボット ナビゲーションに特に有利です。
CFM を活用することで、動的で予測不可能な環境の要求に対応できる、よりスケーラブルで応答性の高いロボット ナビゲーション システムへの道を提供します。

要約(オリジナル)

Effective robot navigation in dynamic environments is a challenging task that depends on generating precise control actions at high frequencies. Recent advancements have framed navigation as a goal-conditioned control problem. Current state-of-the-art methods for goal-based navigation, such as diffusion policies, either generate sub-goal images or robot control actions to guide robots. However, despite their high accuracy, these methods incur substantial computational costs, which limits their practicality for real-time applications. Recently, Conditional Flow Matching(CFM) has emerged as a more efficient and robust generalization of diffusion. In this work we explore the use of CFM to learn action policies that help the robot navigate its environment. Our results demonstrate that CFM is able to generate highly accurate robot actions. CFM not only matches the accuracy of diffusion policies but also significantly improves runtime performance. This makes it particularly advantageous for real-time robot navigation, where swift, reliable action generation is vital for collision avoidance and smooth operation. By leveraging CFM, we provide a pathway to more scalable, responsive robot navigation systems capable of handling the demands of dynamic and unpredictable environments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google