日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

マニピュレーションarXiv:2507.13940

NeHMO: 分散型安全マルチアーム動作計画のためのニューラル・ハミルトン・ヤコビ到達可能性学習

NeHMO: Neural Hamilton-Jacobi Reachability Learning for Decentralized Safe Multi-Arm Motion Planning

シェア:XThreadsFacebookLINEはてブBluesky

ニューラルハミルトン・ヤコビ到達可能性学習を用いて最悪ケースのアーム間安全制約を捉える安全価値関数を近似し、分散型軌道最適化でリアルタイムなマルチアーム動作計画を実現した。

詳しい要約

1. どんなもの?

- 複数アームの安全なmotion planningを対象とした研究 - neural Hamilton-Jacobi Reachability (HJR) learningにより、arm間の最悪ケース安全制約を表すsafety value functionを近似 - 学習したHJR表現を用いたdecentralized trajectory optimizationフレームワークを提案 - scalableかつdata-efficientで、multi-manipulatorシステム間でgeneralizeすると主張

2. 先行研究と比べてどこがすごい?

- centralized plannerは全armを協調できるがscalabilityに制約がありreal-time適用が難しい - decentralized手法はscalableで、近年のdeep learningベース手法は有望だが、正確なbehavior predictionやcoordination protocolに依存 - 他armがunpredictably行動すると失敗しうる点が課題 - 提案法はworst-case inter-arm safety constraintsを捉えることでこの課題に対処

3. 技術・手法の肝は?

- neural Hamilton-Jacobi Reachability (HJR) learningでsafety value functionを近似 - このvalue functionがworst-caseのarm間安全制約を表現 - 学習したHJR表現をdecentralized trajectory optimizationに組み込み、real-time planningを実現 - scalableかつdata-efficientな設計を狙う - 詳細なアルゴリズムは要旨からは不明

4. どうやって有効だと検証した?

- challengingなmulti-arm motion planningタスクでstate-of-the-art baselinesと比較 - 提案法がbaselinesをoutperformしたと報告 - 具体的なベンチマーク名・評価指標・実験設定は要旨からは不明

5. 議論はある?

- centralized手法のscalability制約とdecentralized手法の予測依存というトレードオフを議論 - worst-case安全制約を扱う点が提案法の位置づけ - 限界や失敗ケース、計算コストなどの詳細な議論は要旨からは不明

6. 次に読むべき論文は?

- Hamilton-Jacobi Reachability (HJR) learningの基礎研究 - deep learningベースのdecentralized multi-arm motion planningの先行手法 - behavior predictionやcoordination protocolに依存する既存手法 - 具体的な論文名は要旨からは不明

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Qingyi Chen, Zachary Kingston, Ahmed H. Qureshi

分類: cs.RO

原文アブストラクト

Safe multi-arm motion planning is a challenging problem in robotics due to its high dimensionality, coupled configuration space, and complex collision constraints. Centralized planners are capable of coordinating all arms but often face scalability limitations, restricting applicability in real-time settings. On the other hand, decentralized methods are scalable and recent deep learning-based approaches have shown promising results. However, these depend on accurate behavior prediction or coordination protocols and may fail when other arms act unpredictably. To address these challenges, we introduce a neural Hamilton-Jacobi Reachability (HJR) learning-based approach to approximate a safety value function that captures worst-case inter-arm safety constraints. We further develop a decentralized trajectory optimization framework that uses the learned HJR representation for real-time planning. The proposed method is scalable and data-efficient, generalizes across multi-manipulator systems, and outperforms state-of-the-art baselines on challenging multi-arm motion planning tasks.

関連論文

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  3. 3GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

MINISFORUM(ミニPC)

MINISFORUM(ミニPC)の公式広告バナーMINISFORUM公式ストアを見る ↗
PR本紙発行元 EmplifAI