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:2608.00822

RIT*: コスト適応型最適動作計画のためのリーマン情報木

RIT*: Riemannian Informed Trees for Cost-Adaptive Optimal Motion Planning

シェア:XThreadsFacebookLINEはてブBluesky

ユークリッド距離の代わりにリーマン距離を用いた情報探索木を構築し、衝突フィードバックから障害物近接コスト場を学習する手法を提案。高次元・異方性環境で既存手法より低コストな経路を生成する。

詳しい要約

1. どんなもの?

RIT* (Riemannian Informed Trees) は、バッチ情報探索(batch-informed search)におけるユークリッド的な基本要素をリーマン幾何学的な対応物に置き換えた、コスト適応型の最適動作計画フレームワークである。RIT* は、より厳密でコスト整合的な informed set を構築し、異方性距離計量(anisotropic distance metric)の下で最近傍探索を行い、カスケード方式(cascading scheme)でエッジコストを効率的に評価する。さらに、衝突フィードバックからオンラインで障害物近接コスト場を学習する Collision-Adaptive Metric Refinement (CARM) を導入し、実用的な設定での事前の計量設計への依存を減らす。2次元から14次元の環境での実験により、低次元および空間的に一定の計量設定では競争力があり、高次元の configuration space で計量が空間的に変化する場合には、大幅に低コストの解を生成することを示している。

2. 先行研究と比べてどこがすごい?

先行研究(BIT* などの Euclidean-informed なバッチ情報探索アルゴリズム)と比較して、RIT* はリーマン計量を導入することで informed set をより厳密にし、異方性や空間的に変化する計量に対してコスト削減を実現している点が優れている。特に、高次元で計量が空間的に変化する問題では、Euclidean-informed ベースラインが性能を落とすのに対し、RIT* は最大で 24.8-63.5% のコスト改善を示す。また、CARM により事前の計量設計への依存を減らし、衝突フィードバックから適応的に計量を洗練できる点も新しい。

3. 技術・手法の肝は?

手法の核は、(1) リーマン多様体上で informed set を構築し、コスト整合的なサンプリングを可能にすること、(2) 異方性距離計量に基づく最近傍探索、(3) カスケード方式によるエッジコストの効率的な評価、(4) 衝突フィードバックから障害物近接コスト場をオンライン学習する CARM の導入、である。これにより、ユークリッド的な前提が不適切な高次元・異方性環境でも効率的な探索が可能となる。

4. どうやって有効だと検証した?

2次元から14次元の様々な環境で実験を行い、BIT* などのベースラインと比較した。3次元の異方性ベンチマークでは、初期コストの中央値で最大 13.0% の改善、6-DOF マニピュレーションでは最終コストの中央値で最大 9.0% の改善、14-DOF のバイマニュアル計画問題では 24.8-63.5% の改善を達成した。性能向上は異方性と次元に応じてスケールすることを示した。

5. 議論はある?

要旨からは、低次元や空間的に一定の計量設定では競争力があるが、必ずしも常に優れているわけではないことが示唆される。また、CARM は事前の計量設計への依存を減らすが、その学習コストや収束性に関する詳細は不明である。さらに、リーマン計量の選択や計算コストに関する議論は要旨には含まれていない。

6. 次に読むべき論文は?

要旨で参照されている BIT* や、関連する informed sampling-based planning の研究(例えば Informed RRT*)が挙げられる。また、リーマン幾何学を動作計画に応用した他の研究や、コスト適応的な計量学習に関する研究も関連する。具体的な論文タイトルは要旨にないため、同分野の定番として 'Batch Informed Trees (BIT*)' や 'Informed RRT*' を次に読むことを推奨する。

※ 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: Muhayy Ud Din, Ahmed Nadar, Jan Rosell, Irfan Hussain

分類: cs.RO

原文アブストラクト

We present Riemannian Informed Trees (RIT*), a planning framework that replaces Euclidean primitives in batch-informed search with their Riemannian counterparts. RIT* constructs a tighter, cost-consistent informed set, performs a nearest-neighbour search under an anisotropic distance metric, and evaluates edge costs efficiently via a cascading scheme. We further introduce a Collision-Adaptive Metric Refinement (CARM), which learns an obstacle-proximity cost field online from collision feedback, reducing the reliance on prior metric design in practical settings. Experiments across environments from 2-D to 14-D show that RIT* is competitive in low-dimensional and spatially constant-metric settings and produces substantially lower-cost solutions when the metric varies spatially in high-dimensional configuration spaces. Performance gains scale with anisotropy and dimension, reaching up to 13.0% improvement in median initial cost over BIT* in the 3-D anisotropic benchmark, up to 9.0% in median final cost over BIT* in 6-DOF manipulation, and 24.8-63.5% in a 14-DOF bimanual planning problem, where Euclidean-informed baselines degrade. Videos and code can be found here: https://muhayyuddin.github.io/ritstar/

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. 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

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