ロボットは、工場や倉庫などの構造化された環境で、レイアウトが予測可能で、事前定義されたワークフローに従ってタスクが実行される環境において、驚くべきレベルの信頼性を達成しています。ただし、現実の世界ではそのようなレベルの安定性が得られることはほとんどありません。住宅、被災地、建設現場、屋外の物流作業などの環境は構造化されておらず、動的で常に変化しているため、ナビゲーションに課題が生じています。
従来のロボット ナビゲーション スタックは、事前にマッピングされた環境、決定論的な制御パイプライン、ルールベースの意思決定ロジックに大きく依存しています。{0}{1}同時位置特定とマッピング (SLAM) などの技術により、ロボットは地図を作成して位置を推定できますが、ほとんどのシステムは依然として比較的安定した環境を前提としています。
ロボットが動く障害物、不完全な地図、または不慣れな地形に遭遇した場合、これらの仮定は失敗することが多く、多くの展開は厳密に制御された設定に制限されます。
Agentic AI は新しいアプローチを導入します。エージェント フレームワークは、ロボットがコンテキストを認識し、目標について推論し、動的にアクションを選択できるようにすることで、より適応的なナビゲーションを可能にします。これらのアーキテクチャがどのようにして汎用ロボット ナビゲーションを可能にし、既存のロボット技術スタックと統合するかを見てみましょう。-
リアクティブロボットからエージェントナビゲーションまで
ロボットナビゲーションは、過去数十年にわたって大幅に進化しました。初期のシステムは、センサー入力にリアルタイムで応答するように設計されたリアクティブ制御アーキテクチャに依存していました。これらのアプローチは特定のタスクには効果的ですが、多くの場合、目標を推論したり、不慣れな状況に適応したりする能力が欠けていました。
ロボットの導入が制御された環境を超えて拡大するにつれて、より柔軟な意思決定機能が必要になっています。{0}
従来のロボットアーキテクチャ
最新のロボットのほとんどは依然として構造化されたナビゲーション パイプラインに従っています。
知覚 → 位置特定 → マッピング → 計画 → 制御
このアーキテクチャでは、知覚システムがセンサー データを解釈し、位置特定でロボットの位置を推定し、マッピングで環境表現を構築し、計画で経路を決定し、制御で動作コマンドを実行します。このシステムはモジュール式で信頼性が高いだけでなく、堅牢でもあります。
包摂アーキテクチャなどの以前のアプローチでは、より高いレベルの推論よりもセンサー主導の応答を優先し、反応的な動作を重視していました。{0}{1}
従来のナビゲーション スタックの制限
従来のパイプラインは安定した環境では効果的ですが、不慣れな条件や急速に変化する条件では困難を伴います。これらのシステムは、多くの場合、環境に関する事前の知識と、障害物やタスクの変動が限定的であることを前提としています。その結果、不完全なマップ、新しいオブジェクト、または予期しない変更に遭遇したときにロボットが予期しない動作をする可能性があります。
エージェント AI の変化
Agentic AI は、目標主導型の計画、反復推論ループ、コンテキスト メモリ、ロボティクス スタック全体での動的なツールの使用を導入します。{0}エージェント システムは、モジュールの固定シーケンスを実行するのではなく、現在の目的に基づいて認識、計画、制御コンポーネントを調整できます。
ロボットは、静的なナビゲーション パイプラインに依存するのではなく、その機能を動的に呼び出すことができるツールとして扱い始めます。これらの機能がどのように連携するかを理解するには、エージェントによるロボット ナビゲーションを強化するコア コンポーネントを調べる必要があります。
エージェントロボットナビゲーションのコアコンポーネント
エージェント ロボット ナビゲーションは、従来のロボット スタック上に構築されていますが、ロボットが目標について推論し、さまざまなサブシステムを動的に調整できるようにするオーケストレーション レイヤーが追加されています。実際には、これらのシステムは 4 つの主要な技術層にわたって動作します。
1. 知覚とセンサーの融合
ロボットはまず、周囲を確実に理解する必要があります。最新のプラットフォームは、次のような複数のセンシング モダリティを組み合わせています。
正確な距離測定のためのライダー
視覚認識用のRGBカメラ
空間認識のための深度センサー
モーション追跡用の慣性測定ユニット (IMU)
レーダーによる視界の悪い状況でも堅牢なセンシングを実現-
センサー フュージョン アルゴリズムは、これらの信号を組み合わせて環境の一貫した表現を生成します。エージェント フレームワークは、タスクのコンテキストに応じて認識モジュールを動的に呼び出せるようにすることでこの機能を拡張し、ロボットが複雑な環境や急速に変化する環境を解釈できるようにします。
2. ローカリゼーションとマッピングの同時実行
SLAM は、依然として自律移動ロボット (AMR) の基本的な機能です。これにより、これまで知られていなかった環境の地図を構築し、それらの地図内での自分の位置を推定できるようになります。
最近の研究では、SLAM と機械学習および意味論的認識を組み合わせて、ロボットがマッピング中に物体や環境の特徴を認識できるようにしています。エージェント システムは、マッピング戦略を動的に選択し、探索中にマップを継続的に更新することで、このプロセスを強化します。
3. 計画と推論
従来のナビゲーション システムは、経路計画のために A* やダイクストラなどのアルゴリズムに依存しています。エージェント アーキテクチャでは、複数ステップの計画、目標の分解、適応型探索戦略などのより高いレベルの推論機能が導入されています。{{1}
一部の新しいフレームワークは、ビジョン言語モデル（VLM）を計画エージェントと統合し、環境からのセマンティック情報を使用してナビゲーション タスクを推論します。{0}
4. モーション制御と実行
ルートが決定されると、ロボットはモーション プランナー、軌道オプティマイザー、衝突回避アルゴリズムを使用して移動を実行します。{0}これらのシステムは、リアルタイムのセンサー フィードバックを処理して動きを調整し、衝突を防ぎます。-
これらのコンポーネントが連携して、自律ナビゲーションの運用上のバックボーンを形成します。エージェント システムの主な違いは、これらの機能がどのように調整されるかにあります。オーケストレーションを理解するには、エージェント AI が既存のロボット ソフトウェア スタックとどのように統合されるかを調べる必要があります。
エージェント AI が既存のロボティクス スタックとどのように統合できるか
Agentic AI は、従来のロボット インフラストラクチャに取って代わるものではありません。代わりに、ロボット システム内の既存のモジュールを調整するオーケストレーション レイヤーとして機能します。このアプローチにより、開発者はソフトウェア スタック全体を再設計することなく自律性を強化できます。
ROSおよびロボティクスミドルウェアとの統合
最新のロボットのほとんどは、ロボット オペレーティング システム (ROS2) などのミドルウェア フレームワークに依存して、認識、計画、制御モジュール間の通信を管理します。エージェント フレームワークは通常、これらのシステム上で認知制御層またはタスク プランナーとして動作します。
これらのエージェント層は、ROS や ROS2、NVIDIA Isaac などのプラットフォーム、および Gazebo や Isaac Sim などのシミュレーション環境で使用される標準インターフェイスや API を通じて既存のロボット インフラストラクチャと対話します。
この設定では、エージェントはシステム状態を監視し、目標を評価し、どのサブシステムが次のアクションを実行するかを決定します。
ツール-ベースのナビゲーション アーキテクチャ
エージェント システムは、各ロボット機能を、必要なときに呼び出すことができるツールとして扱います。ナビゲーション スタックの一般的なツールには次のものがあります。
SLAM およびマッピング モジュール
物体検出および認識システム
経路-計画アルゴリズム
モーションコントローラー
マップクエリサービス
これらのモジュールを固定された順序で実行するのではなく、エージェントは環境条件とタスクの目的に基づいて動的にモジュールを選択します。
動的なワークフローの作成
従来のナビゲーション パイプラインは、認識、マッピング、計画、モーションの実行という固定されたフローに従います。エージェント アーキテクチャにより、ロボットはワークフローを動的に構築できます。
ロボットは、移動を実行する前に、周囲を観察し、目標を評価し、地図をクエリし、候補経路を生成し、最も安全なルートを選択します。この動的な調整により、ロボットが不慣れな環境や変化する環境に遭遇したときの堅牢性と適応性が向上します。
これらの機能は、信頼できる地図がない環境や予測不可能な障害物が存在する環境でロボットが動作する場合に特に重要になります。
マップされていない動的環境でのナビゲーションの有効化
動く障害物、未知のレイアウト、または不完全な地図を含む環境でロボットが動作する場合、自律ナビゲーションは非常に困難になります。
従来のナビゲーション システムは通常、安定した環境と信頼できる地図データを前提としているため、現実世界の設定での有効性が制限されます。{0}} Agentic AI は、ロボットが環境について推論し、状況の変化に応じて動作を適応できるようにすることで、これらの制限に対処するのに役立ちます。