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:2607.02884

連続時間ガウス信念木による動作計画

Continuous-Time Gaussian Belief Trees for Motion Planning

シェア:XThreadsFacebookLINEはてブBluesky

連続時間の確率システムと不確実性を考慮し、信念伝播と安全検証を統合したサンプリングベースの動作計画手法を提案。

詳しい要約

1. どんなもの?

本論文は、連続時間の確率システムに対するサンプリングベースのモーション計画手法を提案している。ロボットのダイナミクスは連続時間の線形確率微分方程式でモデル化され、センサ計測は離散時刻に得られる。オフラインのハイブリッド信念伝播モデルを導出し、計測間は連続時間ODEで信念が発展し、計測時刻には離散カルマンフィルタ更新ジャンプが生じる。安全性を保証するため、セグメントレベルの確率的検証を行うbelief-barrier-function-based safety checkerを導入し、従来のノードベースのチェックでは見逃されるサンプル間のchance-constraint違反を検出する。提案手法をRRTおよびSSTプランナに統合し、複数のベンチマーク環境で評価している。

2. 先行研究と比べてどこがすごい?

従来のサンプリングベースの信念計画法は、離散時刻での信念状態を考慮し、ノード間の安全性を離散点でのみ検証していたため、サンプル間の連続時間におけるchance-constraint違反を見逃す可能性があった。本手法は、連続時間の信念伝播とセグメントレベルの安全性検証を導入することで、この問題を解決し、狭い通路などのシナリオで高い成功率と堅牢な制約順守を達成している点が優れている。

3. 技術・手法の肝は?

手法の核は、(1)連続時間の線形確率微分方程式に基づく信念のオフライン伝播モデルで、計測間は連続時間ODE、計測時は離散カルマンフィルタ更新を組み合わせたハイブリッドモデル。(2)belief-barrier-function-based safety checkerによるセグメントレベルの確率的検証。これにより、連続軌道セグメント全体での安全性を証明し、サンプル間のchance-constraint違反を検出する。

4. どうやって有効だと検証した?

提案手法をRRTおよびSSTプランナに統合し、複数のベンチマーク環境で評価した。狭い通路を含むシナリオで、離散時間の対応手法が失敗する場合でも、提案手法は高い成功率とchance-constraintの堅牢な順守を達成したことを示した。

5. 議論はある?

要旨からは、計算コストや実機実験の有無、非線形システムへの拡張などに関する議論は不明。また、提案手法は線形確率微分方程式に限定されており、非線形ダイナミクスへの適用は今後の課題と考えられる。

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、RRT (Rapidly-exploring Random Trees) とSST (Stable Sparse RRT) が挙げられる。また、belief planningの分野では、Belief RoadmapsやPartially Observable Markov Decision Process (POMDP) に基づく計画手法が関連する。

※ 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: Rayan Mazouz, Qi Heng Ho, Zachary N. Sunberg, Morteza Lahijanian

分類: cs.RO

原文アブストラクト

We address sampling-based motion planning for continuous-time stochastic systems under process and measurement uncertainty, with probabilistic guarantees on safety and performance. The robot dynamics are modeled as a continuous-time linear stochastic differential equation, while sensor measurements arrive at discrete time instants. We derive an offline hybrid belief propagation model in which the belief evolves according to continuous-time ODEs between measurements and undergoes discrete Kalman filter update jumps at measurement times. To ensure safety, we introduce a belief-barrier-function-based safety checker for segment-level probabilistic verification. This enables the planner to certify safety over entire continuous trajectory segments and detect inter-sample chance-constraint violations that are missed by conventional node-based checks. Together, these components provide a principled framework for sampling-based belief planning that accounts for both continuous-time uncertainty propagation and continuous-time safety requirements. We integrate the method with RRT and SST planners and evaluate it across multiple benchmark environments. The results show that the proposed method achieves high success rates and robust enforcement of chance constraints, including in narrow-passage scenarios where discrete-time counterparts fail due to missed inter-sample unsafe behavior.

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