日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

動作計画arXiv:2605.26625

未知の外乱下での証明可能な安全な動作計画

Provably Safe Motion Planning Under Unknown Disturbances

シェア:XThreadsFacebookLINEはてブBluesky

未知の分布を持つランダム外乱の影響を受けるロボットシステムに対して、確率的完全性を保証するサンプリングベースの安全な動作計画アルゴリズムを提案した。

詳しい要約

1. どんなもの?

- 未知の分布を持つランダム外乱を受けるロボットシステムに対する、確実に安全なサンプリングベース運動計画アルゴリズムを提案。 - 線形または線形化可能な動力学を持ち、任意形状の障害物がある作業空間で、状態と制御の制約下で動作。 - 安全要件はチャンス制約として定式化。 - システムの軌道データからWasserstein ambiguity tubeを学習し、高い信頼度で状態分布の軌道を含む。 - このチューブを用いて、問題の制約を尊重するサンプリングベース運動計画木を成長させる確率的完全アルゴリズム。

2. 先行研究と比べてどこがすごい?

- 未知の外乱分布に対処するため、データからWasserstein ambiguity tubeを学習する点が新しい。 - 単一の高次元チューブではなく、複数の低次元チューブを学習することで保守性を低減し、スケーラビリティを向上。 - バンディットベースの効率的な有効性チェッカーを設計し、確率的完全性を犠牲にせず経験的性能を大幅に向上。 - 厳しい安全閾値の下で混雑環境において有効な計画を見つけ、最先端手法を上回る。

3. 技術・手法の肝は?

- システムの軌道データを利用して、Wasserstein ambiguity tube(一連の曖昧集合)を学習。 - このチューブは高い信頼度で状態分布の軌道を含む。 - 学習したチューブを確率的完全なサンプリングベース運動計画アルゴリズムに組み込み、制約を尊重する計画木を成長させる。 - 複数の低次元曖昧チューブを学習することで保守性を低減し、スケーラビリティを向上。 - バンディットベースの有効性チェッカーを設計し、経験的性能を向上。

4. どうやって有効だと検証した?

- ケーススタディにより、混雑環境で厳しい安全閾値の下で有効な計画を見つけることを示す。 - 最先端手法を上回る性能を確認。 - 具体的な検証方法の詳細は要旨からは不明。

5. 議論はある?

- 複数の低次元曖昧チューブの学習が保守性低減とスケーラビリティ向上に有効であることを示す。 - バンディットベースの有効性チェッカーが確率的完全性を犠牲にせず経験的性能を向上させることを議論。 - その他の議論や限界については要旨からは不明。

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、Wasserstein ambiguity set、chance-constrained motion planning、sampling-based motion planning、bandit-based validationが挙げられる。 - 同分野の定番として、RRT*、PRM、CDFなどが考えられるが、要旨に記載がないため一般名として挙げる。

※ 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: Ibon Gracia, Qi Heng Ho, Luca Laurenti, Morteza Lahijanian

分類: cs.RO, cs.SY, eess.SY

原文アブストラクト

We present a provably safe sampling-based motion planning algorithm for robotic systems affected by random disturbances of unknown distribution. We consider systems with linear or linearizable dynamics evolving in workspace with arbitrary-shaped obstacles subject to state and control constraints. Safety requirements are formulated as chance-constraints. Our approach leverages data from trajectories of the system to learn a Wasserstein ambiguity tube, i.e., a sequence of ambiguity sets, which contains the trajectory of the system's state distribution with high confidence. This ambiguity tube is then used in a probabilistically complete algorithm to grow a sampling-based motion planning tree that respects the constraints of the problem. We show that learning several lower-dimensional ambiguity tubes instead of a single high-dimensional one effectively reduces the conservatism and boosts scalability. Additionally, we design an efficient bandit-based validity checker that remarkably increases the empirical performance of our approach without sacrificing probabilistic completeness. Case studies show our algorithm finds valid plans in cluttered environments under strict safety thresholds, outperforming state-of-the-art methods.

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

OZ GAMING(GPU搭載BTOゲーミングPC)

OZ GAMING(GPU搭載BTOゲーミングPC)の公式広告バナーOZ GAMINGで完成品PCを見る ↗
PR本紙発行元 EmplifAI