論文の概要: Multi Graph Search for High-Dimensional Robot Motion Planning

• arxiv url: http://arxiv.org/abs/2602.12096v1
• Date: Thu, 12 Feb 2026 15:50:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-13 21:07:25.904859
• Title: Multi Graph Search for High-Dimensional Robot Motion Planning
• Title（参考訳）: 高次元ロボット運動計画のためのマルチグラフ探索
• Authors: Itamar Mishani, Maxim Likhachev,
• Abstract要約: MGS (Multi-Graph Search) は、古典的な一方向および双方向の探索を多グラフ設定に一般化する、検索に基づく動き計画アルゴリズムである。 MGSが完全かつ有界な準最適であることが証明され、その効果を様々な操作や移動操作タスクで実証的に実証する。
• 参考スコア（独自算出の注目度）: 18.868434737285412
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Efficient motion planning for high-dimensional robotic systems, such as manipulators and mobile manipulators, is critical for real-time operation and reliable deployment. Although advances in planning algorithms have enhanced scalability to high-dimensional state spaces, these improvements often come at the cost of generating unpredictable, inconsistent motions or requiring excessive computational resources and memory. In this work, we introduce Multi-Graph Search (MGS), a search-based motion planning algorithm that generalizes classical unidirectional and bidirectional search to a multi-graph setting. MGS maintains and incrementally expands multiple implicit graphs over the state space, focusing exploration on high-potential regions while allowing initially disconnected subgraphs to be merged through feasible transitions as the search progresses. We prove that MGS is complete and bounded-suboptimal, and empirically demonstrate its effectiveness on a range of manipulation and mobile manipulation tasks. Demonstrations, benchmarks and code are available at https://multi-graph-search.github.io/.
• Abstract（参考訳）: マニピュレータや移動マニピュレータなどの高次元ロボットシステムの効率的な動作計画は、リアルタイム操作や信頼性の高い展開に不可欠である。 計画アルゴリズムの進歩は高次元の状態空間にスケーラビリティを拡張しているが、これらの改善は予測不可能で一貫性のない動きを発生させるか、過剰な計算資源とメモリを必要とするコストがかかる。 本研究では,従来の一方向・双方向の探索を多グラフ設定に一般化する検索ベース動作計画アルゴリズムであるMulti-Graph Search(MGS)を紹介する。 MGSは、状態空間上の複数の暗黙グラフを維持し、漸進的に拡張し、高ポテンシャル領域の探索に焦点を合わせながら、探索が進むにつれて、最初に切断された部分グラフを実行可能な遷移を通じてマージすることを可能にする。 MGSが完全かつ有界な準最適であることが証明され、その効果を様々な操作や移動操作タスクで実証的に実証する。 デモ、ベンチマーク、コードはhttps://multi-graph-search.github.io/.comで公開されている。

関連論文リスト

• Generalizable Geometric Prior and Recurrent Spiking Feature Learning for Humanoid Robot Manipulation [90.90219129619344]
  本稿では,スパイキング機能を備えたR-prior-S, Recurrent Geometric-priormodal Policyを提案する。 物理的現実の高レベル推論を基礎として、軽量な2次元幾何学的帰納バイアスを利用する。 ロボット行動生成におけるデータ効率問題に対して,再帰的適応スパイクネットワークを導入する。
  論文  参考訳（メタデータ） (2026-01-13T23:36:30Z)
• Search-Based Robot Motion Planning With Distance-Based Adaptive Motion Primitives [1.8874301050354767]
  本研究では,サンプリングベースと探索ベースを組み合わせたロボットマニピュレータの動作計画アルゴリズムを提案する。 提案手法の中核となる貢献は、適応運動プリミティブとして自由構成空間(C空間)のバーの利用である。 以上の結果から, bur-based アプローチは複雑なシナリオにおいて, 固定原始的計画よりも優れていることが示された。
  論文  参考訳（メタデータ） (2025-07-01T21:33:33Z)
• Divide by Question, Conquer by Agent: SPLIT-RAG with Question-Driven Graph Partitioning [62.640169289390535]
  SPLIT-RAGは、質問駆動セマンティックグラフ分割と協調サブグラフ検索による制限に対処するマルチエージェントRAGフレームワークである。 革新的なフレームワークは、まずリンク情報のセマンティック分割を作成し、次にタイプ特化知識ベースを使用してマルチエージェントRAGを実現する。 属性対応グラフセグメンテーションは、知識グラフを意味的に一貫性のあるサブグラフに分割し、サブグラフが異なるクエリタイプと整合することを保証する。 階層的なマージモジュールは、論理的検証を通じて、部分グラフ由来の解答間の矛盾を解消する。
  論文  参考訳（メタデータ） (2025-05-20T06:44:34Z)
• Global Tensor Motion Planning [18.678206099088843]
  グローバルモーションプランニング(GTMP)は、テンソル操作のみを含むサンプリングベースのモーションプランニングアルゴリズムである。 ランダムな多部グラフとして表現される新しい離散化構造を導入し,効率的なベクトル化サンプリング,衝突チェック,探索を可能にした。 ライダースキャンされた占有マップとMotionBenchMarkerデータセットの実験は、ベースラインと比較して、バッチ計画におけるGTMPの効率を実証している。
  論文  参考訳（メタデータ） (2024-11-28T22:07:46Z)
• DyG-Mamba: Continuous State Space Modeling on Dynamic Graphs [59.434893231950205]
  動的グラフ学習は、現実世界のシステムにおける進化の法則を明らかにすることを目的としている。 動的グラフ学習のための新しい連続状態空間モデルDyG-Mambaを提案する。 我々はDyG-Mambaがほとんどのデータセットで最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2024-08-13T15:21:46Z)
• TAS: A Transit-Aware Strategy for Embodied Navigation with Non-Stationary Targets [55.09248760290918]
  非定常目標を持つ動的シナリオにおけるナビゲーションのための新しいアルゴリズムを提案する。 我々の新しいTAS(Transit-Aware Strategy)は、具体化されたナビゲーションポリシーをオブジェクトパス情報で強化する。 TASは、ターゲットルートとルートを同期させるエージェントを報酬することで、非定常環境での性能を改善する。
  論文  参考訳（メタデータ） (2024-03-14T22:33:22Z)
• SimTeG: A Frustratingly Simple Approach Improves Textual Graph Learning [131.04781590452308]
  テキストグラフ学習におけるフラストレーションに富んだアプローチであるSimTeGを提案する。 まず、下流タスクで予め訓練されたLM上で、教師付きパラメータ効率の微調整(PEFT)を行う。 次に、微調整されたLMの最後の隠れ状態を用いてノード埋め込みを生成する。
  論文  参考訳（メタデータ） (2023-08-03T07:00:04Z)
• Scalable Multi-agent Covering Option Discovery based on Kronecker Graphs [49.71319907864573]
  本稿では,分解が容易なマルチエージェントスキル発見法を提案する。 我々のキーとなる考え方は、合同状態空間をクロネッカーグラフとして近似することであり、そのフィドラーベクトルを直接見積もることができる。 ラプラシアンスペクトルを直接計算することは、無限大の状態空間を持つタスクには難易度が高いことを考慮し、さらに本手法の深層学習拡張を提案する。
  論文  参考訳（メタデータ） (2023-07-21T14:53:12Z)
• ReVoLT: Relational Reasoning and Voronoi Local Graph Planning for Target-driven Navigation [1.0896567381206714]
  Embodied AIは、知的な実体と現実世界の相互作用を強調する必然的なトレンドである。 グラフニューラルネットワーク(GNN)によるレイアウト関係の活用に関する研究 このタスクを分離し、階層的なフレームワークであるReVoLTを提案する。
  論文  参考訳（メタデータ） (2023-01-06T05:19:56Z)

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。