論文の概要: Decoupled MPPI-Based Multi-Arm Motion Planning

• arxiv url: http://arxiv.org/abs/2602.10114v1
• Date: Tue, 10 Feb 2026 18:59:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:41.344732
• Title: Decoupled MPPI-Based Multi-Arm Motion Planning
• Title（参考訳）: 分離MPPIを用いた多関節運動計画
• Authors: Dan Evron, Elias Goldsztejn, Ronen I. Brafman,
• Abstract要約: 高DOFアームのためのサンプリングベースモーションプランニングアルゴリズムの最近の進歩は、GPUを活用してSOTA性能を提供する。 これらのアルゴリズムは、複数のアームを共同で制御するために使用することができるが、このアプローチは不十分である。 サンプルベースモデル予測制御(MPC)モーションプランニングアルゴリズムSTORMを拡張し,複数のロボットを分散方式で処理する。
• 参考スコア（独自算出の注目度）: 2.064612766965483
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in sampling-based motion planning algorithms for high DOF arms leverage GPUs to provide SOTA performance. These algorithms can be used to control multiple arms jointly, but this approach scales poorly. To address this, we extend STORM, a sampling-based model-predictive-control (MPC) motion planning algorithm, to handle multiple robots in a distributed fashion. First, we modify STORM to handle dynamic obstacles. Then, we let each arm compute its own motion plan prefix, which it shares with the other arms, which treat it as a dynamic obstacle. Finally, we add a dynamic priority scheme. The new algorithm, MR-STORM, demonstrates clear empirical advantages over SOTA algorithms when operating with both static and dynamic obstacles.
• Abstract（参考訳）: 高DOFアームのためのサンプリングベースモーションプランニングアルゴリズムの最近の進歩は、GPUを活用してSOTA性能を提供する。 これらのアルゴリズムは、複数のアームを共同で制御するために使用することができるが、このアプローチは不十分である。 そこで本研究では,サンプルベースモデル予測制御(MPC)モーションプランニングアルゴリズムSTORMを拡張し,複数のロボットを分散方式で処理する。 まず、動的障害を処理するためにSTORMを変更します。 そして、各アームが自身の動作計画プレフィックスを計算させ、それを他のアームと共有させ、ダイナミックな障害として扱う。 最後に、動的優先度スキームを追加します。 MR-STORMと呼ばれる新しいアルゴリズムは、静的障害物と動的障害物の両方で動作する際に、SOTAアルゴリズムよりも明らかに経験上の優位性を示す。

関連論文リスト

• FreeAction: Training-Free Techniques for Enhanced Fidelity of Trajectory-to-Video Generation [50.39748673817223]
  本稿では,ロボットビデオ生成における明示的な動作パラメータを完全に活用する2つのトレーニング不要な推論時間手法を提案する。 第一に、アクションスケールの分類器フリーガイダンスは、動作の大きさに比例して誘導強度を動的に調整し、運動強度に対する制御性を高める。 第二に、アクションスケールノイズトランケーションは、初期サンプルノイズの分布を調整し、所望の運動力学とよりよく一致させる。
  論文  参考訳（メタデータ） (2025-09-29T03:30:40Z)
• Future-Oriented Navigation: Dynamic Obstacle Avoidance with One-Shot Energy-Based Multimodal Motion Prediction [10.379552390135226]
  本稿では,動的かつ不確実な環境下での移動ロボットの安全かつ効率的な制御のための統合的アプローチを提案する。 このアプローチは、動的障害物の運動を予測するためのワンショットマルチモーダル動作予測と、これらの予測を運動計画プロセスに組み込むモデル予測制御の2つの重要なステップから構成される。
  論文  参考訳（メタデータ） (2025-05-01T01:13:56Z)
• Accelerating Search-Based Planning for Multi-Robot Manipulation by Leveraging Online-Generated Experiences [20.879194337982803]
  MAPF(Multi-Agent Path-Finding)アルゴリズムは、離散的な2Dドメインで保証され、厳密な保証を提供する。 本稿では,その反復的かつ漸進的な性質を活用して,競合に基づく探索アルゴリズムを高速化する手法を提案する。
  論文  参考訳（メタデータ） (2024-03-29T20:31:07Z)
• Interactive Character Control with Auto-Regressive Motion Diffusion Models [18.727066177880708]
  リアルタイム動作合成のためのA-MDM(Auto-Regressive Motion Diffusion Model)を提案する。 我々の条件拡散モデルは初期ポーズを入力とし、前者のフレームに条件付けられた連続した動きフレームを自動回帰的に生成する。 本稿では,タスク指向サンプリング,インペインティング,階層的強化学習など,対話型制御をA-MDMに組み込む一連の手法を紹介する。
  論文  参考訳（メタデータ） (2023-06-01T07:48:34Z)
• Motion Transformer with Global Intention Localization and Local Movement Refinement [103.75625476231401]
  動き TRansformer (MTR) は、大域的意図の局所化と局所的な動きの洗練の合同最適化として、動き予測をモデル化する。 MTRは、限界運動予測と関節運動予測の両方において最先端の性能を達成する。
  論文  参考訳（メタデータ） (2022-09-27T16:23:14Z)
• 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)

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。