論文の概要: Constrained Stein Variational Gradient Descent for Robot Perception, Planning, and Identification

• arxiv url: http://arxiv.org/abs/2506.00589v1
• Date: Sat, 31 May 2025 14:52:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-05 01:42:09.202641
• Title: Constrained Stein Variational Gradient Descent for Robot Perception, Planning, and Identification
• Title（参考訳）: ロボットの知覚, 計画, 同定のための拘束されたスタイン変分勾配
• Authors: Griffin Tabor, Tucker Hermans,
• Abstract要約: 本稿では、制約付き最適化の原理を新しい変分推論に応用する2つの新しいフレームワークを提案する。 衝突を正確に回避するロボット動作計画,SE(3)多様体上のロボットアーム関節角度の正確なテーブル配置制約,およびテーブル配置制約付きポイントクラウドからのオブジェクトポーズの分布を構築することができることを示す。
• 参考スコア（独自算出の注目度）: 11.126853736828984
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Many core problems in robotics can be framed as constrained optimization problems. Often on these problems, the robotic system has uncertainty, or it would be advantageous to identify multiple high quality feasible solutions. To enable this, we present two novel frameworks for applying principles of constrained optimization to the new variational inference algorithm Stein variational gradient descent. Our general framework supports multiple types of constrained optimizers and can handle arbitrary constraints. We demonstrate on a variety of problems that we are able to learn to approximate distributions without violating constraints. Specifically, we show that we can build distributions of: robot motion plans that exactly avoid collisions, robot arm joint angles on the SE(3) manifold with exact table placement constraints, and object poses from point clouds with table placement constraints.
• Abstract（参考訳）: ロボット工学における多くの中核的な問題は、制約付き最適化問題とみなすことができる。 これらの問題に対して、ロボットシステムには不確実性があるか、あるいは複数の高品質な実現可能なソリューションを特定するのが有利である。 これを実現するために,制約付き最適化の原理を新しい変分推論アルゴリズムであるスタイン変分勾配降下に適用する2つの新しいフレームワークを提案する。 我々の一般的なフレームワークは、複数のタイプの制約付きオプティマイザをサポートし、任意の制約を処理できる。 制約を犯さずに分布を近似するために学習できる様々な問題を実証する。 具体的には, 衝突を正確に回避するロボット動作計画, SE(3)多様体上のロボットアーム関節角度の正確なテーブル配置制約, およびテーブル配置制約のある点雲からのオブジェクトポーズの分布を構築することができることを示す。

関連論文リスト

• Hierarchical Contact-Rich Trajectory Optimization for Multi-Modal Manipulation using Tight Convex Relaxations [12.578064173652148]
  本稿では,ロボット,オブジェクト,コンタクトの軌跡を効率的に設計し,コンタクトリッチな操作を行うための新しい枠組みを提案する。 本研究では,Mixed-Integer Linear Program (MILP) がロボットとオブジェクト間の最適な接触を選択する階層的最適化フレームワークを提案する。 我々は,MILPがより厳密な解を提供できるようなバイナリ符号化技術を用いて,双線形制約の凸緩和を提案する。
  論文  参考訳（メタデータ） (2025-03-11T01:40:23Z)
• Simultaneous Contact-Rich Grasping and Locomotion via Distributed Optimization Enabling Free-Climbing for Multi-Limbed Robots [60.06216976204385]
  移動, 把握, 接触問題を同時に解くための効率的な運動計画フレームワークを提案する。 ハードウェア実験において提案手法を実証し, より短い計画時間で, 傾斜角45degで自由クライミングを含む様々な動作を実現できることを示す。
  論文  参考訳（メタデータ） (2022-07-04T13:52:10Z)
• Modeling the Second Player in Distributionally Robust Optimization [90.25995710696425]
  我々は、最悪のケース分布を特徴付けるために神経生成モデルを使うことを議論する。 このアプローチは多くの実装と最適化の課題をもたらします。 提案されたアプローチは、同等のベースラインよりも堅牢なモデルを生み出す。
  論文  参考訳（メタデータ） (2021-03-18T14:26:26Z)
• Large Scale Distributed Collaborative Unlabeled Motion Planning with Graph Policy Gradients [122.85280150421175]
  本研究では,運動制約と空間制約を多数のロボットに対して2次元空間で解くための学習法を提案する。 ロボットのポリシーをパラメータ化するためにグラフニューラルネットワーク(GNN)を用いる。
  論文  参考訳（メタデータ） (2021-02-11T21:57:43Z)
• Learning Constrained Distributions of Robot Configurations with Generative Adversarial Network [15.962033896896385]
  高次元ロボットシステムでは、有効な構成空間の多様体はしばしば複素形状を持つ。 このような制約下で有効なロボット構成の分布を学習するための生成的敵ネットワークアプローチを提案する。
  論文  参考訳（メタデータ） (2020-11-11T11:43:54Z)
• Scalable Differentiable Physics for Learning and Control [99.4302215142673]
  微分物理学は、物理的対象や環境を含む問題を学習し、制御するための強力なアプローチである。 我々は、多数のオブジェクトとその相互作用をサポートすることができる微分可能物理学のためのスケーラブルなフレームワークを開発する。
  論文  参考訳（メタデータ） (2020-07-04T19:07:51Z)
• An Integer Linear Programming Framework for Mining Constraints from Data [81.60135973848125]
  データから制約をマイニングするための一般的なフレームワークを提案する。 特に、構造化された出力予測の推論を整数線形プログラミング(ILP)問題とみなす。 提案手法は,9×9のスドクパズルの解法を学習し,基礎となるルールを提供することなく,例からツリー問題を最小限に分散させることが可能であることを示す。
  論文  参考訳（メタデータ） (2020-06-18T20:09:53Z)
• Scalable and Probabilistically Complete Planning for Robotic Spatial Extrusion [0.755972004983746]
  本稿では,ロボット空間押出計画の厳密な形式化について述べる。 これらの制約は相反することが多いが、剛性認識によって誘導される強欲な状態空間探索は、両方の制約のバランスをとることができることを示す。
  論文  参考訳（メタデータ） (2020-02-06T17:05:55Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。