論文の概要: Kino-PAX$^+$: Near-Optimal Massively Parallel Kinodynamic Sampling-based Motion Planner

• arxiv url: http://arxiv.org/abs/2602.02846v1
• Date: Mon, 02 Feb 2026 21:50:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:41.112507
• Title: Kino-PAX$^+$: Near-Optimal Massively Parallel Kinodynamic Sampling-based Motion Planner
• Title（参考訳）: Kino-PAX$^+$:準最適並列動力学的サンプリングに基づく運動プランナ
• Authors: Nicolas Perrault, Qi Heng Ho, Morteza Lahijanian,
• Abstract要約: 準最適保証を備えた超並列キノダイナミックモーションプランナであるKino-PAX$+$を紹介した。 Kino-PAX$+$は、既存のシリアルメソッドよりも最大3桁高速なソリューションを見つけ、最先端のGPUベースのプランナよりも低いソリューションコストを達成する。
• 参考スコア（独自算出の注目度）: 11.640483409938724
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sampling-based motion planners (SBMPs) are widely used for robot motion planning with complex kinodynamic constraints in high-dimensional spaces, yet they struggle to achieve \emph{real-time} performance due to their serial computation design. Recent efforts to parallelize SBMPs have achieved significant speedups in finding feasible solutions; however, they provide no guarantees of optimizing an objective function. We introduce Kino-PAX$^{+}$, a massively parallel kinodynamic SBMP with asymptotic near-optimal guarantees. Kino-PAX$^{+}$ builds a sparse tree of dynamically feasible trajectories by decomposing traditionally serial operations into three massively parallel subroutines. The algorithm focuses computation on the most promising nodes within local neighborhoods for propagation and refinement, enabling rapid improvement of solution cost. We prove that, while maintaining probabilistic $δ$-robust completeness, this focus on promising nodes ensures asymptotic $δ$-robust near-optimality. Our results show that Kino-PAX$^{+}$ finds solutions up to three orders of magnitude faster than existing serial methods and achieves lower solution costs than a state-of-the-art GPU-based planner.
• Abstract（参考訳）: サンプリングベースモーションプランナ(SBMP)は、高次元空間における複雑なキノダイナミック制約を持つロボットの動き計画に広く用いられているが、シリアルな計算設計のために「emph{real-time}」のパフォーマンスを達成するのに苦労している。 SBMPを並列化する最近の試みは、実現可能な解を見つける上で大きなスピードアップを達成したが、目的関数を最適化する保証は提供されていない。 漸近的準最適保証を持つ超並列キノダイナミックSBMPであるKino-PAX$^{+}$を紹介する。 Kino-PAX$^{+}$は、従来のシリアル操作を3つの巨大な並列サブルーチンに分解することで、動的に実現可能なトラジェクトリのスパースツリーを構築する。 このアルゴリズムは、伝播と改善のために、局所的に最も有望なノードに計算を集中させ、ソリューションコストを迅速に改善する。 我々は、確率的な$δ$-robust完全性を維持しながら、有望なノードに焦点をあてることで、漸近的な$δ$-robust準最適性を保証することを証明した。 以上の結果から,Kino-PAX$^{+}$は,既存のシリアルメソッドよりも最大3桁高速な解を求めるとともに,最先端のGPUベースプランナよりも低い解コストを実現することがわかった。

関連論文リスト

• Neural Nonmyopic Bayesian Optimization in Dynamic Cost Settings [73.44599934855067]
  LookaHESは、動的で履歴に依存したコスト環境のために設計された非心筋BOフレームワークである。 LookaHESは、$H$-Entropy Searchのマルチステップ版と、パスワイズサンプリングとニューラルポリシー最適化を組み合わせたものだ。 私たちの革新は、構造化されたドメイン固有のアクションスペースを効果的にナビゲートするために、大きな言語モデルを含むニューラルポリシーの統合です。
  論文  参考訳（メタデータ） (2026-01-10T09:49:45Z)
• FraPPE: Fast and Efficient Preference-based Pure Exploration [17.53646399595373]
  任意の選好円錐に対して既存の下界を最適に追跡する効率的なアルゴリズムを提案する。 提案したPrePExアルゴリズムであるFraPPEが最適なサンプル複雑性を実現することを証明した。
  論文  参考訳（メタデータ） (2025-08-22T16:02:06Z)
• Iterative Interpolation Schedules for Quantum Approximate Optimization Algorithm [1.845978975395919]
  本稿では,最適パラメータスケジュールの滑らかさを関数に基づいて表現することで,反復的手法を提案する。 提案手法は,現在の手法よりも少ない最適化ステップで性能の向上を実証する。 最大のLABSの場合、1000層を超えるスケジュールでほぼ最適のメリットを達成できます。
  論文  参考訳（メタデータ） (2025-04-02T12:53:21Z)
• Near-Optimal Online Learning for Multi-Agent Submodular Coordination: Tight Approximation and Communication Efficiency [52.60557300927007]
  離散部分モジュラー問題を連続的に最適化するために,$textbfMA-OSMA$アルゴリズムを提案する。 また、一様分布を混合することによりKLの発散を効果的に活用する、プロジェクションフリーな$textbfMA-OSEA$アルゴリズムも導入する。 我々のアルゴリズムは最先端OSGアルゴリズムによって提供される$(frac11+c)$-approximationを大幅に改善する。
  論文  参考訳（メタデータ） (2025-02-07T15:57:56Z)
• Projection by Convolution: Optimal Sample Complexity for Reinforcement Learning in Continuous-Space MDPs [56.237917407785545]
  本稿では,円滑なベルマン作用素を持つ連続空間マルコフ決定過程(MDP)の一般クラスにおいて,$varepsilon$-optimal Policyを学習する問題を考察する。 我々のソリューションの鍵となるのは、調和解析のアイデアに基づく新しい射影技術である。 我々の結果は、連続空間 MDP における2つの人気と矛盾する視点のギャップを埋めるものである。
  論文  参考訳（メタデータ） (2024-05-10T09:58:47Z)
• Blockwise Stochastic Variance-Reduced Methods with Parallel Speedup for Multi-Block Bilevel Optimization [43.74656748515853]
  非定常多重ブロック双レベル最適化問題には$mgg 1$低レベル問題があり、機械学習において重要な応用がある。 a)標準BO問題の最先端の複雑さを1ブロックに合わせること,(b)サンプルブロックごとのサンプルをサンプリングして並列高速化すること,(c)高次元ヘッセン行列推定器の逆計算を避けること,の3つの特性を実現することを目的とする。
  論文  参考訳（メタデータ） (2023-05-30T04:10:11Z)
• Accelerated First-Order Optimization under Nonlinear Constraints [61.98523595657983]
  我々は、制約付き最適化のための一階アルゴリズムと非滑らかなシステムの間で、新しい一階アルゴリズムのクラスを設計する。 これらのアルゴリズムの重要な性質は、制約がスパース変数の代わりに速度で表されることである。
  論文  参考訳（メタデータ） (2023-02-01T08:50:48Z)
• Minimax Optimization with Smooth Algorithmic Adversaries [59.47122537182611]
  対戦相手が展開するスムーズなアルゴリズムに対して,Min-playerの新しいアルゴリズムを提案する。 本アルゴリズムは,制限周期のない単調進行を保証し,適切な勾配上昇数を求める。
  論文  参考訳（メタデータ） (2021-06-02T22:03:36Z)
• Bayesian Optimistic Optimisation with Exponentially Decaying Regret [58.02542541410322]
  現在の実用的なBOアルゴリズムは、$mathcalO(fraclogNsqrtN)$から$mathcalO(e-sqrtN)$まで、$N$は評価の数である。 本稿では,boと木に基づく楽観的楽観化の概念を絡み合うことにより,無音環境における後悔を改善できる可能性について検討する。 次数$mathcal O(N-sqrt)で指数的再帰を達成できる最初の実践的手法であるBOOアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-05-10T13:07:44Z)

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。