技術要約：GROVE – 対話的なソーシャルロボットナビゲーションのための自然言語による接地型歩行者シミュレーション

問題提起

歩行者シミュレーションは、ソーシャルロボットのナビゲーションシステムを訓練し展開するための不可欠な前提条件である。しかし、現在のシミュレータは「硬直した」アーキテクチャに苦しんでおり、これが重大なシミュレーションから現実への移行（sim2real）のギャップを生んでいる。既存のシステムは通常、シナリオ定義とシミュレーション実行を切り離しており、研究者がテストケースごとにエージェントの位置、目標、および行動を手動で指定する必要がある。この手動によるボトルネックは、実世界の社会的状況における「ロングテール」をカバーできない、手作業で作られた固定された小規模なシナリオセットに実務家を制限している。

さらに、ほとんどのシミュレータはすべてのエージェントに対して一様な行動モデルを適用するため、人間の行動の豊かな多様性を単一のパラメータ化へと崩壊させてしまう。これらのシステムは、多くの場合、ナビゲーションのプリミティブとして社会力モデル（SFM）のみに依存している。SFMは局所的な衝突回避には効果的であるが、複雑な環境内をナビゲートするために必要な意味論的な意図やグローバルな経路計画を欠いている。そのため、エージェントが意味論的な目標と相互作用しなければならない場合、不自然な挙動（例：壁を突き抜ける直線的な経路や、群衆の中で目的を持って進むことの失敗）を招く。

手法

著者らは、自然言語のプロンプトから高忠実度で社会的に挑戦的な歩行者シミュレーションへと変換する生成フレームワークであるGROVEを提案する。本システムは、意味論的な推論、行動計画、および幾何学的な運動計画を分離した、階層的でデカップルされたパイプラインを採用している。

1. システムアーキテクチャ

パイプラインは3つのホライゾン（階層）に分かれている：

• 戦略レイヤー（意味論的推論）： システムは自然言語入力から関心領域（RoI）を抽出する。空間および意味情報（ゾーン、ドア、エンティティ）をエンコードした構造化されたworld.yamlファイルを利用する。LLMはユーザーのプロンプトをこのメタデータと照合して関連するRoIを特定し、効率性を維持するために無関係なコンテキストをフィルタリングする。
• 戦術レイヤー（行動計画）： このレイヤーは、中間表現として行動ツリー（BT）を生成する。BTが実行可能かつ意味論的に接地されていることを確実にするため、システムは**検索拡張生成（RAG）**を採用している。ベクトルデータベース（ChromaDB）には、構造化された行動ノードのライブラリが格納されている。RAGモジュールは、タスクに関連するノードの仕様（説明、制約、テンプレート）のみを検索してLLMのコンテキストに注入することで、ハルシネーションのリスクとコンテキスト長を低減させる。
  • ノード・ラッピング： マルチエージェント間の相互作用の複雑さを処理するために、システムは生成後にエージェントと目標の識別子を解決する自動ID管理モジュールを導入している。また、高レベルの行動（例：行列への整列）を構造化されたBTサブツリーとしてエンコードし、スケーラブルなグループ制御のためのFollowVelocityFieldノードを導入している。
• 運用レイヤー（幾何学的計画）： BTは意図を定義するが、システムは幾何学的な実現可能性を確保するためにグローバルプランナーを統合している。
  • Theta 計画：* システムは意味的な世界を2D占有格子に分解する。Theta*アルゴリズムを使用して、目標間の効率的で直線に近い経路を計算する。これらのウェイポイントは、明示的なサブゴールとして行動ツリーに注入され、記号的な意図と物理的なナビゲーションの間のギャップを埋める。
  • 実行： 最終的な出力は、Isaac Sim、Gazebo、またはRViz内のSFMと共に実行される、ポストプロセスされた行動ツリーである。

2. 最適化されたプリセット

制御性を向上させレイテンシを低減するために、GROVEは構成オーバーレイとして機能する3つのシナリオ固有のプリセットを提供する：

• 緊急モード（Emergency Mode）： 避難のセマンティクスに偏重している。コヒーレントな集団の流れを実現するためにFollowVelocityFieldノードへの検索を制限し、複雑な社会的相互作用を無効化し、集団の重心から単一の出口への速度場を計算する。
• 行列モード（Queuing Mode）： 順序立てたエージェント挿入のために専用のキュー・サブツリー・テンプレートを起動する。逐次的な目標割り当てを強制し、限定されたサービスエリアにおいてTheta*計画を維持する。
• 通常モード（Normal Mode）： 社会的行動ノード（グループ形成、会話、徘徊）のフルセットを有効にし、階層的制御とグローバル計画のバランスをとる。

3. ユーザーインターフェース

RViz2に統合されたGUIにより、ユーザーはプロンプトを入力し、プリセットを選択し、完全な物理シミュレーションを実行する前に生成された速度場とウェイポイントを検証することができる。

主な貢献

1. テキスト・トゥ・シナリオ・フレームワーク： GROVEは、RAGベースの検索と社会的行動ツリーを組み合わせ、自由形式のテキスト記述から完全に構成された高忠実度の歩行者シミュレーションを自動生成する初のフレームワークである。
2. 階層的計画の統合： 本論文は、グローバルなTheta*ウェイポイントを行動ツリーに直接注入する新しい手法を紹介している。これにより、記号的なタスクプログラムの階層構造を維持しながら、静的障害物の回避と幾何学的な実現可能性を保証する。
3. 行動合成のためのRAG： 行動ノードの仕様を動的に取得することにより、システムはLLMのハルシネーションを軽減し、コンテキスト長を短縮し、複雑でエラーのない行動ツリーの生成を可能にする。
4. 速度場の統合： FollowVelocityFieldノードの導入により、行動ツリーの枠組み内でスケーラブルなグループレベルの運動制御が可能となり、これは言語条件付き生成における新しい統合である。
5. シミュレータの互換性： システムはROS 2エコシステムを介して主要なロボティクスシミュレータ（Isaac Sim、Gazebo、RViz）に直接統合されており、高度にソーシャルな環境におけるロボットの展開をサポートしている。

結果と評価

著者らは、2つの最新の言語駆動型クラウド生成ベースラインであるText-CrowdおよびTRACEに対してGROVEを評価した。評価は、病院、オフィス、住宅環境における3つのプリセット（緊急、通常、行列）にわたって実施された。

• ナビゲーションと軌跡： GROVEは、静的障害物回避と意味論的整合性において優れた性能を示した。壁の貫通に苦しんだTRACEや、意味論的に不適切な終端を生成したText-Crowdとは異なり、GROVEは一貫した群衆の流れと構造化された行列を生成した。GROVEは、行列における段階的なエージェントの前進や、現実的なストップアンドゴーのパターンを生み出すことができる唯一の手法であった。
• 定量的指標： ビジョン・ランゲージ・モデル（VLM）を使用して、プロンプトへの適合性、妥当性、および視覚的リアリズムをスコアリングした結果、GROVEはすべてのプリセットにおいて最も高い平均スコアを達成した。最も顕著な改善はプロンプトへの適合性であり、これはRoIに基づいた開始および目標割り当てに起因する。
• 効率性： 最適化されたプリセットの使用により、制約のない「バニラ」版のGROVEと比較して、トークン数が35〜49%削減され、生成レイテンシが大幅に改善された。

重要性

本論文は、GROVが意味論的な意図と物理的なナビゲーションの間の断絶を狭めることで、永続的なsim-to-realのギャップに対処していると主張している。多様で現実的な人間の行動の生成を自動化することで、本フレームワークは、研究者が固定された小規模なシナリオセットを超えて、複雑で動的な環境でソーシャルロボットをテストすることを可能にする。記号的推論（行動ツリー）、幾何学的計画（Theta*）、および物理的実行（SFM）を統合することは、自然言語によって制御可能であり、かつロボットの展開に十分な堅牢性を備えた高忠実度シミュレーションを作成するための原則的なアプローチを提供する。著者らは、複数の最先端手法を組み合わせることによる高い計算コストや、静的な障害物マップの仮定を含む限界を認めているが、GROVを、アクセシブルで行動的に現実的なソーシャルロボット訓練への重要な一歩として位置づけている。