双方向運動計画のための木構造グラフティングと局所部分集合最適化

- 双方向 motion planning の新しい path planner「Greedy GuILD Grafting Trees (G3T*)」を提案する研究。 - 双方向探索で forward と reverse の search tree を接続して連続 path を作る際、lazy-reverse search の限界で接続が失敗し再起動が必要になる問題に対処する。 - 無効な edge 接続を両端で graft し、tree-based の連結性を再構築することで path の収束を高速化する。 - R^2 から R^8 までの benchmark と実ロボット評価を含む。

- 従来の双方向 motion planning は unidirectional より計画時間を短縮できるが、lazy-reverse search の制約により接続失敗・再起動が起こりうる。 - 既存の single-query sampling-based planner と比較して、より速い収束と低い solution cost を示すと主張。 - 失敗した接続を graft で修復する点が、単純な再起動に頼る従来手法との違い。 - 具体的な比較対象名は要旨からは不明。

- 無効な edge 接続を両端で graft し、tree-based connectivity を再確立する。 - guided incremental local densification (GuILD) subsets の minimum Lebesgue measure を用いた greedy アプローチで path を効率的に最適化。 - informed set と GuILD subsets の間の sampling distribution を、過去および現在の cost 改善に基づいて動的に調整し、asymptotic optimality を確保。 - これらの機能で forward search の reverse tree 方向への成長を促進する。

- R^2 から R^8 までの次元で benchmark 実験を実施。 - 実世界のロボット評価も実施。 - 既存の single-query sampling-based planner と比較し、優れた性能を示したと報告。 - 実験結果の video が公開されている（https://youtu.be/3mfCRL5SQIU）。

- 要旨からは不明。 - ただし asymptotic optimality の確保や sampling distribution の動的調整が主張されており、これらの理論的性質や実用上の trade-off に関する議論が想定される。

- 要旨で明示的に参照・比較されている個別論文は不明。 - 関連手法として、bidirectional motion planning、lazy-reverse search、sampling-based planner（RRT* などの一般名）、informed set を用いる手法、guided incremental local densification (GuILD) を挙げる。