概要

P2Mは、LiDARを主たる入力として用いるエンドツーエンド（E2E）ナビゲーションの研究・実装をまとめたリポジトリです。論文「A Simple LiDAR-centric End-to-end Navigation Framework in Dynamic Environments（RA-L’25）」に対応し、動的障害物を含む環境で堅牢に動作するための設計と評価が示されています。リポジトリにはシステム概要図、デモ動画や論文へのリンク、設定（cfg）やアセット、コード群が含まれており、研究の再現や改良、実環境適用の出発点として利用できます。シンプルさを重視したモジュール化により、LiDAR処理・学習モデル・制御戦略の入れ替えや評価が容易です。（300字程度）

リポジトリの統計情報

スター数: 4
フォーク数: 0
ウォッチャー数: 4
コミット数: 5
ファイル数: 10
メインの言語: Python

主な特徴

LiDAR中心の入力パイプライン：センサ点群を第一義に扱う設計で、レーザー距離計に依存した堅牢性を重視。
エンドツーエンド学習：センサ入力から直接行動（あるいは経路生成）までを学習するフレームワークを提供。
動的環境対応：動く障害物や人混みなど、時間変化する環境下での評価を想定した実験設計。
再現性のための構成ファイル群：cfgディレクトリやアセットを含み、実験の再現やパラメータ調整が可能。

技術的なポイント

P2Mの技術核は「LiDARを主軸に据えたシンプルなE2Eナビゲーション設計」にあります。従来のマップ依存式やビジョン主導の手法と比べ、LiDARは照明変化やテクスチャ非依存性に強く、屋外・屋内を問わず安定した環境認識が可能です。本リポジトリでは、点群データの前処理（フィルタリング、ボクセル化やBird’s-Eye-Viewへの投影など）を想定した入力パイプラインを備え、ニューラルネットワークはその特徴量からナビゲーション出力（速度・舵角や局所経路）を生成します。動的障害物への対応としては、時間的な連続性を扱うための履歴バッファや短期予測の仕組みを導入する設計が示唆されており、リアクティブな回避行動と計画的移動を組み合わせることで安定化を図ります。また、学習面では教師あり学習や模倣学習、あるいは強化学習と組み合わせたハイブリッドな訓練法が想定され、損失関数には軌道追従性、衝突回避、滑らかさなど複数項が含まれる設計が実務的です。リポジトリ構成は軽量で、cfgによるハイパーパラメータ管理、assetsのデモデータや図示素材の同梱により実験の再現性と拡張性を両立しています。論文・デモへのリンクも同梱されており、理論的背景と実運用の両面を参照しながら改良を進められる点が魅力です。（700字程度）

プロジェクトの構成

主要なファイルとディレクトリ：

.gitignore: file
LICENSE: file
README.md: file
assets: dir
cfg: dir

…他 5 ファイル

まとめ

LiDAR中心の簡潔なE2Eナビゲーション基盤として、研究と実験の出発点に最適です。（約50字）

リポジトリ情報：

名前: P2M
説明: [RA-L’25] A Simple LiDAR-centric End-to-end Navigation Framework in Dynamic Environments
スター数: 4
言語: Python
URL: https://github.com/arclab-hku/P2M
オーナー: arclab-hku
アバター: https://avatars.githubusercontent.com/u/75829669?v=4

READMEの抜粋：

[!IMPORTANT] 🌟 Stay up to date at arclab.hku.hk!

:mechanical_arm: P2M

:page_facing_up: Paper | :movie_camera: Demo | :rocket: Project Page (Coming Soon)

:black_nib: Bowen Xu, Zexuan Yan, M. Lu, X. Fan, Y. Luo, Y. Lin, Z. Chen, Y. Chen, Q. Qiao, …

P2M — LiDAR中心の動的環境向けエンドツーエンドナビゲーション