日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

English週刊ニュースレター購読
マニピュレーションarXiv:2603.09083

動作・環境不確かさ下でのマニピュレータの安全保証付き軌道生成

Provably Safe Trajectory Generation for Manipulators Under Motion and Environmental Uncertainties

シェア:XThreadsFacebookLINEはてブBluesky

深層確率KoopmanモデルとSOS計画を組み合わせ、不確かな環境でも衝突リスクを形式的に保証するMPPIベースの軌道生成フレームワークを提案し、実機で検証した。

詳しい要約

1. どんなもの？

- 不確実で非凸な環境下でのマニピュレータの安全かつ最適な運動計画を実現するための新しいリスク有界運動計画フレームワークを提案。 - 剛体マニピュレータ深層確率Koopman演算子（RM-DeSKO）モデルを統合し、運動不確実性下でのロボットの状態分布をロバストに予測。 - 並列化可能な物理シミュレーションとsum-of-squares（SOS）プログラミングを組み合わせた階層的検証手法を導入し、衝突リスクの形式的証明を実現。 - この手法をModel Predictive Path Integral（MPPI）コントローラに組み込み、SOS分解からのバイナリ衝突情報を利用してポリシーを改善。 - 2種類の典型的なロボットマニピュレータで広範なシミュレーションと実世界実験（人間-ロボット協調シナリオを含む）により有効性を検証。

2. 先行研究と比べてどこがすごい？

- 既存手法は複雑な形状や非ガウス不確実性に対処する際に、効率的かつ形式的に認定された衝突リスク保証を提供することが困難。 - 提案手法は、リスク有界運動計画フレームワークにより、これらの課題を克服し、安全で効率的な軌道生成を可能にする。 - 特に、形式的な衝突リスク認定を効率的に行う階層的検証手法と、MPPIコントローラへの統合が新規。

3. 技術・手法の肝は？

- 剛体マニピュレータ深層確率Koopman演算子（RM-DeSKO）モデル：運動不確実性下での状態分布をロバストに予測。 - 階層的検証手法：並列化可能な物理シミュレーションとsum-of-squares（SOS）プログラミングを組み合わせ、衝突リスクの形式的認定をフィルタリング。 - Model Predictive Path Integral（MPPI）コントローラ：SOS分解からのバイナリ衝突情報を利用してポリシーを改善。

4. どうやって有効だと検証した？

- 2種類の典型的なロボットマニピュレータを用いた広範なシミュレーションと実世界実験を実施。 - 人間-ロボット協調シナリオを含む挑戦的な設定で評価。 - 学習モデルのsim-to-real転移と、複雑で不確実な設定での安全かつ効率的な軌道生成能力を実証。

5. 議論はある？

- 要旨からは不明。

6. 次に読むべき論文は？

- 要旨で参照/比較されている研究は明示されていない。関連手法として、Model Predictive Path Integral（MPPI）コントローラ、sum-of-squares（SOS）プログラミング、Koopman演算子に基づくモデルが挙げられる。

※ 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: Fei Meng, Zijiang Yang, Xinyu Mao, Haobo Liang, Max Q. -H. Meng

分類: cs.RO

原文アブストラクト

Robot manipulators operating in uncertain and non-convex environments present significant challenges for safe and optimal motion planning. Existing methods often struggle to provide efficient and formally certified collision risk guarantees, particularly when dealing with complex geometries and non-Gaussian uncertainties. This article proposes a novel risk-bounded motion planning framework to address this unmet need. Our approach integrates a rigid manipulator deep stochastic Koopman operator (RM-DeSKO) model to robustly predict the robot's state distribution under motion uncertainty. We then introduce an efficient, hierarchical verification method that combines parallelizable physics simulations with sum-of-squares (SOS) programming as a filter for fine-grained, formal certification of collision risk. This method is embedded within a Model Predictive Path Integral (MPPI) controller that uniquely utilizes binary collision information from SOS decomposition to improve its policy. The effectiveness of the proposed framework is validated on two typical robot manipulators through extensive simulations and real-world experiments, including a challenging human-robot collaboration scenario, demonstrating sim-to-real transfer of the learned model and its ability to generate safe and efficient trajectories in complex, uncertain settings.

arXivで原文を読む →arXiv概要ページ

関連論文

← 論文一覧

今週よく読まれている記事

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2GXO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
  3. 3newmo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
  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
双腕モバイルマニピュレーターOpenShellの実機とお披露目フライヤー

双腕モバイルマニピュレーター OpenShell

人と働くために、顔がある。

OpenShellの特徴・実機を見る →