論文の概要: Hippo: High-performance Interior-Point and Projection-based Solver for Generic Constrained Trajectory Optimization

• arxiv url: http://arxiv.org/abs/2603.00871v1
• Date: Sun, 01 Mar 2026 02:24:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:41.789583
• Title: Hippo: High-performance Interior-Point and Projection-based Solver for Generic Constrained Trajectory Optimization
• Title（参考訳）: Hippo: ジェネリック制約軌道最適化のための高性能インテリアポイントとプロジェクションベースソルバー
• Authors: Haizhou Zhao, Ludovic Righetti, Majid Khadiv,
• Abstract要約: 軌道最適化は、現代のモデルに基づくロボット制御と運動計画の中核である。 本稿では,内点法を用いて不等式制約を処理可能な解法であるHippoを紹介する。
• 参考スコア（独自算出の注目度）: 7.374543899295115
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Trajectory optimization is the core of modern model-based robotic control and motion planning. Existing trajectory optimizers, based on sequential quadratic programming (SQP) or differential dynamic programming (DDP), are often limited by their slow computation efficiency, low modeling flexibility, and poor convergence for complex tasks requiring hard constraints. In this paper, we introduce Hippo, a solver that can handle inequality constraints using the interior-point method (IPM) with an adaptive barrier update strategy and hard equality constraints via projection or IPM. Through extensive numerical benchmarks, we show that Hippo is a robust and efficient alternative to existing state-of-the-art solvers for difficult robotic trajectory optimization problems requiring high-quality solutions, such as locomotion and manipulation.
• Abstract（参考訳）: 軌道最適化は、現代のモデルに基づくロボット制御と運動計画の中核である。 逐次二次計画法 (SQP) や微分動的計画法 (DDP) に基づく既存の軌道最適化器は、計算効率が遅いこと、モデリングの柔軟性が低いこと、複雑なタスクに厳しい制約を必要とすることなどによって制限されることが多い。 本稿では、適応的バリア更新戦略とプロジェクションまたはIPMによるハードイコリティ制約を備えたインテリアポイント法(IPM)を用いて、不等式制約を処理できる解法であるHippoを紹介する。 大規模な数値ベンチマークにより,Hippoはロコモーションや操作などの高品質な解を必要とするロボット軌道最適化問題に対して,既存の最先端の解法に対する堅牢かつ効率的な代替手段であることを示す。

関連論文リスト

• BAMBO: Construct Ability and Efficiency LLM Pareto Set via Bayesian Adaptive Multi-objective Block-wise Optimization [4.196004665145396]
  BAMBO(Bayesian Adaptive Multi-objective Block-wise Optimization)は、大規模言語モデル(LLM)を自動的に構築する新しいフレームワークである。 1次元クラスタリング問題として定式化されたこの戦略は、動的プログラミング手法を利用してブロック内およびブロック間情報の分散を最適にバランスさせる。
  論文  参考訳（メタデータ） (2025-12-10T15:32:56Z)
• PATS: Process-Level Adaptive Thinking Mode Switching [53.53401063490537]
  現在の大言語モデル(LLM)は、通常、難易度に関わらず、すべての質問に対して、単純または複雑に固定された推論戦略を採用する。 このようなタスクと推論プロセスの複雑さの変化の無視は、パフォーマンスと効率のバランスを損なう。 既存の手法では, 難易度が異なる問題に対処するために, 学習不要な高速スロー思考システムを導入しようとするが, 厳密な解レベルの戦略調整によって制限される。 プロセスレベル適応思考モードスイッチング(PATS)という新しい推論パラダイムを提案し,各ステップの難易度に基づいてLLMが推論戦略を動的に調整し,そのバランスを最適化する。
  論文  参考訳（メタデータ） (2025-05-25T17:58:50Z)
• Constrained Gaussian Process Motion Planning via Stein Variational Newton Inference [16.97959227638119]
  本稿では,制約付き定常変分ガウス過程運動計画(cSGPMP)フレームワークを提案する。 提案手法は, 非線形制約を明示的に扱いながら, 粒子ベース推論の効率を向上する。 350の計画タスクで平均98.57%の成功率を達成した。
  論文  参考訳（メタデータ） (2025-04-07T11:20:11Z)
• Neural Stochastic Dual Dynamic Programming [99.80617899593526]
  我々は、問題インスタンスを断片的線形値関数にマッピングすることを学ぶトレーニング可能なニューラルモデルを導入する。 $nu$-SDDPは、ソリューションの品質を犠牲にすることなく、問題解決コストを大幅に削減できる。
  論文  参考訳（メタデータ） (2021-12-01T22:55:23Z)
• Speeding up Computational Morphogenesis with Online Neural Synthetic Gradients [51.42959998304931]
  現代科学および工学の適用の広い範囲は制約として部分的な微分方程式(PDEs)のシステムとの最適化問題として定式化されます。 これらのPDE制約最適化問題は通常、標準のDisretize-then-optimizeアプローチで解決される。 オンラインニューラル合成勾配(ONSG)を用いたPDE制約最適化の高速化のための新しい2スケール最適化手法を提案する。
  論文  参考訳（メタデータ） (2021-04-25T22:43:51Z)
• 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)
• MPC-MPNet: Model-Predictive Motion Planning Networks for Fast, Near-Optimal Planning under Kinodynamic Constraints [15.608546987158613]
  Kinodynamic Motion Planning (KMP) は、ロボットの動きを同時に運動学や力学の制約を受ける計算である。 ほぼ最適経路の解を求める,スケーラブルで模倣可能なモデル予測型運動計画ネットワークフレームワークを提案する。 提案アルゴリズムは, 時間, 経路特性, 既存手法に対する成功率の大幅な改善を示す結果から, 乱雑な, キノダイナミックに制約された, 不安定な計画上の問題に対して評価を行う。
  論文  参考訳（メタデータ） (2021-01-17T23:07:04Z)
• A Feasibility-Driven Approach to Control-Limited DDP [22.92789455838942]
  BOX-FDDPは数値最適化時の動的実現性を制御し,制御限界を確保する。 本研究では,四足歩行ロボットとヒューマノイドロボットの複合運動と運動運動の生成によるアプローチの利点を実証する。
  論文  参考訳（メタデータ） (2020-10-01T13:56:14Z)
• Combining Deep Learning and Optimization for Security-Constrained Optimal Power Flow [94.24763814458686]
  セキュリティに制約のある最適電力フロー(SCOPF)は、電力システムの基本である。 SCOPF問題におけるAPRのモデル化は、複雑な大規模混合整数プログラムをもたらす。 本稿では,ディープラーニングとロバスト最適化を組み合わせた新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-07-14T12:38:21Z)
• Goal Kernel Planning: Linearly-Solvable Non-Markovian Policies for Logical Tasks with Goal-Conditioned Options [54.40780660868349]
  我々はLinearly-Solvable Goal Kernel Dynamic Programming (LS-GKDP)と呼ばれる合成フレームワークを導入する。 LS-GKDPは、Linearly-Solvable Markov Decision Process (LMDP)形式とOptions Framework of Reinforcement Learningを組み合わせたものである。 本稿では,目標カーネルを持つLMDPが,タスク接地によって定義された低次元部分空間におけるメタポリティシの効率的な最適化を実現する方法を示す。
  論文  参考訳（メタデータ） (2020-07-06T05:13:20Z)

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。