先読みグラフ探索による多経由点IK選択

- 冗長ロボットアームに対し、end-effector pose の順序列（waypoint 列）を実行する際の IK 解選択を扱う研究 - 各 waypoint で複数の有効な joint configuration が存在する状況を対象とする - 次 waypoint のみを見て IK 解を選ぶと、後の waypoint で配置が悪化し、計画時間増大や計画失敗を招く問題を指摘 - これを解決する Future-Window Inverse Kinematics (FWIK) を提案 - 少数の将来 waypoint からなる window を考慮してオンラインで IK 解を選択する手法 - 最終的な trajectory 検証は motion planner に委ねる設計

- 次 waypoint のみで IK 解を選ぶ従来の greedy 的選択に対し、将来 window を考慮する点が特徴 - 比較対象として STAMPEDE、IKLink、retry-based TRAC-IK が挙げられている - 8 つの robot-planner 設定すべてで最短の planned trajectory duration を達成 - 平均 duration は STAMPEDE 比 12.8-13.1% 低減、IKLink 比 22.5-25.6% 低減、retry-based TRAC-IK 比 27.5-37.2% 低減 - sequence 完了率も 96.8-100% と高い - 小さい future window でも完了率改善と計画時間短縮が両立することを示した点が主張

- FWIK は online 手法で、小さい future waypoint window を考慮して IK 解を選択 - 複数の IK candidate を生成する - それらを layered joint-space graph 上で接続する - 単純な motion-time estimate で candidate path をランク付けする - 学習モデルにより、遷移が self-collision を起こしやすい path を除去する - 残った path をランク順に、標準の MoveIt 2 planner で次 waypoint の IK goal として検証 - 有効な trajectory が得られた最初の goal を実行用に選択する

- simulation 上で 2 種類の 7-DoF manipulator、Franka Emika Panda と KUKA LBR iiwa を用いて評価 - 各 method-planner 設定で、50 waypoint からなる 100 sequence を 5 回繰り返す - planner として Pilz、RRT-Connect、CHOMP、STOMP を使用 - 8 つの robot-planner 設定すべてで FWIK が 96.8-100% の sequence を完了 - すべての設定で最短の planned trajectory duration を記録 - STAMPEDE、IKLink、retry-based TRAC-IK との比較で優位性を報告

- 小さい future window が sequence 完了率の改善と planned motion time の短縮に有効であると結論 - 最終的な trajectory validation は motion planner に委ねる設計を採用 - self-collision を起こしやすい遷移の除去に learned model を用いる点が性能に寄与すると考えられるが、要旨からは詳細不明 - window サイズや learned model の誤り、planner 依存性などに関する議論は要旨からは不明 - 実機実験や sim-to-real の検証については要旨からは不明

- STAMPEDE（比較対象の IK 解選択手法） - IKLink（比較対象の IK 解選択手法） - retry-based TRAC-IK（比較対象の IK 解選択手法） - MoveIt 2 planner として Pilz、RRT-Connect、CHOMP、STOMP の関連文献 - layered joint-space graph や learned self-collision 判定モデルに関する関連研究（要旨では具体名不明）