日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

マニピュレーションarXiv:2609.21211

確率的ニューラル符号付き掃引体積によるリアルタイムチャンス制約付き軌道最適化

Stochastic Neural Signed Swept Volume for Real-time Chance-Constrained Trajectory Optimization

シェア:XThreadsFacebookLINEはてブBluesky

ロボットの掃引体積の符号付き距離関数を確率的場として学習し、認識ノイズや不確実性を考慮したチャンス制約付き軌道最適化を実現する手法を提案。

詳しい要約

1. どんなもの?

- 連続軌道に沿った衝突判定を確率的に扱う手法。 - ロボットのswept volumeのsigned distance functionを確率的場として学習。 - epistemic uncertaintyを定量化し、perception noiseを組み込む。 - chance-constrained trajectory optimizationに統合。 - 高次元manipulation問題でシミュレーションと実機検証。

2. 先行研究と比べてどこがすごい?

- 従来の離散状態衝突判定は単一のdeterminized環境モデルで安全性と効率のトレードオフ。 - 連続衝突判定のswept volume近似は計算コスト大または過度に保守的。 - データ駆動のswept volume学習は近似誤差が大きく粗いフィルタに限定。 - 提案手法は確率的場として学習し、不確実性を定量化してchance-constrained最適化に統合。

3. 技術・手法の肝は?

- swept volumeのsigned distance functionを確率的場として学習。 - epistemic uncertaintyを定量化可能。 - perception noiseを組み込む。 - chance-constrained trajectory optimizationフレームワークに統合。

4. どうやって有効だと検証した?

- シミュレーションと実機で検証。 - 高次元manipulation問題で有意なsensor noiseを含む挑戦的タスク。

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continuous collision checking、swept volume approximation、chance-constrained trajectory optimization、signed distance function learning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: Qingyi Chen, Kevin Zhang, Lucas Chen, Zachary Kingston

分類: cs.RO

原文アブストラクト

Collision-free motion planning requires reliable collision models from sensed environments and validation of states along a continuous trajectory. To make this tractable, most planners check for collision at discrete states along continuous trajectories against a single determinized model of the environment, introducing a trade-off between safety and computational efficiency. While continuous collision checking approaches that approximate the swept volume of the robot exist, they are computationally expensive or overly conservative. Data-driven approaches can learn the swept volume; however, these neural models are susceptible to approximation errors and are therefore often limited to serving as coarse filters for downstream collision checkers. In this work, we propose to learn a signed distance function of the swept volume as a probabilistic field, enabling quantification of epistemic uncertainty, incorporation of perception noise, and eventual integration into a chance-constrained trajectory optimization framework. We demonstrate our approach on challenging high-dimensional manipulation problems with significant sensor noise, both in simulation and on real hardware.

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