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:2607.00326

NeHMO: ニューラルハミルトン-ヤコビ到達可能性学習による分散型安全マルチアーム動作計画

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

シェア:XThreadsFacebookLINEはてブBluesky

多腕ロボットの安全な動作計画を、ニューラルネットワークで近似したハミルトン-ヤコビ到達可能性解析に基づく価値関数を用いて分散的に行う手法を提案した。

詳しい要約

1. どんなもの?

NeHMOは、多アームロボットの安全な動作計画を分散的に行うためのニューラルHamilton-Jacobi Reachability (HJR)学習手法を提案する。高次元で結合したconfiguration spaceと複雑な衝突制約を持つ問題に対し、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、学習したHJR表現を用いた分散軌道最適化フレームワークを構築する。

2. 先行研究と比べてどこがすごい?

従来の集中型プランナーはスケーラビリティに限界があり、分散型の深層学習ベース手法は正確な行動予測や協調プロトコルに依存し、他アームが予測不能に動くと失敗する可能性がある。NeHMOはHJR学習により最悪ケースの安全性を考慮し、予測や協調に依存せず、スケーラブルでデータ効率が高く、複数のマニピュレータシステムに一般化できる点が優れている。

3. 技術・手法の肝は?

手法の核は、Hamilton-Jacobi Reachability (HJR)理論に基づく安全価値関数をニューラルネットワークで近似すること。この価値関数は、他アームの最悪ケースの動作を考慮した安全制約を符号化する。学習したHJR表現を利用して、分散型の軌道最適化をリアルタイムで実行する。

4. どうやって有効だと検証した?

提案手法は、挑戦的な多アーム動作計画タスクにおいて、スケーラビリティ、データ効率、一般化性能を評価し、state-of-the-artのベースライン手法と比較して優れた性能を示した。具体的な評価指標や実験設定は要旨からは不明。

5. 議論はある?

要旨からは、提案手法が分散型でありながら安全性を保証する点や、予測不能な他アームへの頑健性が議論されている。しかし、計算コストや実機での検証、価値関数近似の精度限界などについては言及されておらず、要旨からは不明。

6. 次に読むべき論文は?

要旨で参照されている関連研究として、Hamilton-Jacobi Reachability (HJR)理論、深層学習ベースの分散型動作計画、集中型プランナー、行動予測や協調プロトコルを用いた手法が挙げられる。具体的な論文名は不明だが、これらの分野の代表的な論文を読むことが推奨される。

※ 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: 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

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