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:2602.20225

FACTO: ロボットマニピュレータのための関数空間適応制約付き軌道最適化

FACTO: Function-space Adaptive Constrained Trajectory Optimization for Robotic Manipulators

シェア:XThreadsFacebookLINEはてブBluesky

直交基底関数の係数空間で軌道を最適化し、制約付き問題をガウス・ニュートン近似と適応的更新で解く、単腕・多腕マニピュレータ向けの新しい軌道最適化アルゴリズムを提案した。

詳しい要約

1. どんなもの?

- 本論文は、単腕および多腕マニピュレータ向けの新しい軌道最適化アルゴリズム **FACTO** を提案する。 - 軌道表現を直交基底関数の線形結合としてパラメータ化し、係数空間で直接最適化を行う。 - 制約付き問題は、目的汎関数と打ち切られた係数上で定義される有限次元目的関数から構成される。 - 非線形性に対処するため、Gauss-Newton近似と指数移動平均を用いて平滑化された二次部分問題を解く。 - 軌道全体にわたる制約は係数空間マッピングで扱い、能動制約の零空間でLevenberg-Marquardtアルゴリズムによる適応的制約付き更新を行う。

2. 先行研究と比べてどこがすごい?

- 最適化ベースのプランナ(CHOMP, TrajOpt, GPMP2)およびサンプリングベースのプランナ(RRT-Connect, RRT*, PRM)と比較して、特に制約付き単腕・多腕シナリオで解の品質と実行可能性が向上することを示した。 - 従来手法と比べて、関数空間での適応的制約付き最適化により、軌道全体の制約を効率的に扱える点が優れている。 - 実験的にFrankaロボットでFACTOの展開可能性を検証した。

3. 技術・手法の肝は?

- 軌道を直交基底関数の線形結合でパラメータ化し、係数空間で最適化を実行する。 - 目的関数は汎関数と有限次元目的関数の両方から成る。 - 非線形性に対してGauss-Newton近似と指数移動平均を適用し、平滑化された二次部分問題を生成する。 - 軌道全体の制約を係数空間マッピングで表現し、能動制約の零空間でLevenberg-Marquardtアルゴリズムによる適応的制約付き更新を行う。

4. どうやって有効だと検証した?

- 最適化ベースのプランナ(CHOMP, TrajOpt, GPMP2)およびサンプリングベースのプランナ(RRT-Connect, RRT*, PRM)との比較を実施。 - 制約付き単腕・多腕シナリオで解の品質と実行可能性が改善されることを示した。 - Frankaロボットを用いた実験的評価により、展開可能性を検証した。

5. 議論はある?

- 要旨からは不明。

6. 次に読むべき論文は?

- CHOMP, TrajOpt, GPMP2, RRT-Connect, RRT*, PRM

※ 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: Yichang Feng, Xiao Liang, Minghui Zheng

分類: cs.RO

原文アブストラクト

This paper introduces Function-space Adaptive Constrained Trajectory Optimization (FACTO), a new trajectory optimization algorithm for both single- and multi-arm manipulators. Trajectory representations are parameterized as linear combinations of orthogonal basis functions, and optimization is performed directly in the coefficient space. The constrained problem formulation consists of both an objective functional and a finite-dimensional objective defined over truncated coefficients. To address nonlinearity, FACTO uses a Gauss-Newton approximation with exponential moving averaging, yielding a smoothed quadratic subproblem. Trajectory-wide constraints are addressed using coefficient-space mappings, and an adaptive constrained update using the Levenberg-Marquardt algorithm is performed in the null space of active constraints. Comparisons with optimization-based planners (CHOMP, TrajOpt, GPMP2) and sampling-based planners (RRT-Connect, RRT*, PRM) show the improved solution quality and feasibility, especially in constrained single- and multi-arm scenarios. The experimental evaluation of FACTO on Franka robots verifies the feasibility of deployment.

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

FRONTIER(GPU搭載BTOパソコン)

FRONTIER(GPU搭載BTOパソコン)の公式広告バナーFRONTIERでGPU搭載PCを見る ↗
PR本紙発行元 EmplifAI